本文關(guān)鍵詞：基于Lasso的多任務學習方法在恒星物理參量估計中的應用　出處：《暨南大學》2015年碩士論文　論文類型：學位論文

  更多相關(guān)文章： 多任務學習 單任務Lasso方法 多任務Lasso方法 恒星 物理參量

【摘要】：在機器學習、計算機視覺、人工智能領(lǐng)域得到廣泛關(guān)注的多任務學習方法,能充分利用任務間潛在的豐富信息,將多個任務同時進行并行學習,效果好于單個任務獨立運算的情況。Lasso算法可以使數(shù)據(jù)維數(shù)降低,提取到少量的特征,減少了數(shù)據(jù)量,剔除了噪聲的干擾,有利于預測參數(shù)精確度的提高。文章基于ELODIE恒星模板庫和SDSS實測光譜庫,采用多任務Lasso回歸法對恒星光譜物理參量表面有效溫度(lg Teff)、重力加速度(lg g)、化學豐度([Fe/H])進行估計。實驗結(jié)果好于相關(guān)研究方法和單任務Lasso回歸的情況,三個物理參量的估算精度均得到提高,特別是對lg g、[Fe/H]的估計。實驗中改變光譜的分辨率、施加不同信噪比(SNR)的噪聲,來對恒星物理參量的估算做出全面分析。結(jié)果表明,模型預測精度受光譜分辨率和噪聲的影響,但噪聲的影響相對更大一些�？梢�,多任務Lasso回歸法適合用于恒星光譜物理參量的自動估計,不僅操作簡便,計算速度快,耗時少,更能提高模型的整體預測精度。
[Abstract]:......
【學位授予單位】：暨南大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：P144

【參考文獻】

相關(guān)期刊論文 前5條

1 張健楠;吳福朝;羅阿理;;核回歸方法在恒星光譜物理參量自動估計中的應用[J];光譜學與光譜分析;2009年04期

2 盧瑜;李鄉(xiāng)儒;王永俊;楊坦;;一種新的恒星大氣物理參數(shù)自動估計方案SVR(Haar)[J];光譜學與光譜分析;2013年07期

3 張健楠;吳福朝;羅阿理;趙永恒;;恒星大氣物理參量的非參數(shù)估計方法[J];天文學報;2005年04期

4 ;The Large Sky Area Multi-Object Fiber Spectroscopic Telescope (LAMOST)[J];Research in Astronomy and Astrophysics;2012年09期

5 ;Data release of the LAMOST pilot survey[J];Research in Astronomy and Astrophysics;2012年09期

相關(guān)碩士學位論文 前4條

1 韋鵬;LAMOST一維光譜自動處理[D];山東大學;2011年

2 吳科主;基于多任務的多層次選擇性集成學習的研究[D];安徽工業(yè)大學;2010年

3 董偉祥;LAMOST恒星大氣參數(shù)提取系統(tǒng)[D];山東大學;2010年

4 劉杰;基于模板匹配的恒星大氣物理參數(shù)自動測量的研究[D];山東大學;2012年

，

本文編號：1348245