【摘要】：研究了天體光譜的特征提取問題,這是光譜自動處理中的一個關鍵環(huán)節(jié)。通過特征提取,不僅能夠約簡數據、減少冗余,而且亦能抑制噪聲干擾,對識別系統的精度和效率均有重要影響。提出了一種基于空間轉換和分解的特征分析模型(STP),基于此,可實現對常用光譜特征提取方法的分析,例如,無監(jiān)督的主成分分析(PCA),小波變換(Wavelet),有監(jiān)督的支持向量機(SVM),相關向量機(RVM)和線性判別分析方法(LDA)等。在STP模型中,關注的核心要素是特征提取中對數據成分的分解、重組,以及噪聲的抑制和冗余的消除。亦在STP框架的基礎上,給出了一種邏輯和實現均較為簡單的特征提取方法:基于曲線擬合與下采樣的光譜特征提取(EFCD)。研究的一個重要發(fā)現是,在一些分類問題中文獻中設計巧妙的特征提取方法并不一定是決定性的:即使采用通常的信號下采樣方法提取特征,亦能獲得良好的光譜識別性能,而重要的僅僅是需要將特征數量保持在一定的水平以上即可。研究中,選用的測試數據是SDSS中的Galaxy和QSO兩類河外天體實測光譜,他們一般具有較大的紅移,在天體光譜識別中具有較強的代表性。
[Abstract]:The feature extraction of celestial spectrum is studied, which is a key step in automatic spectral processing. The feature extraction can not only reduce the data, reduce the redundancy, but also suppress the noise interference, which has an important effect on the accuracy and efficiency of the recognition system. This paper presents a feature analysis model based on spatial transformation and decomposition (STP),). Based on this model, it can be used to analyze common spectral feature extraction methods. For example, Unsupervised principal component analysis (PCA), wavelet transform (Wavelet), supervised support vector machine (SVM), correlation vector machine (RVM) and linear discriminant analysis method (LDA) et al. In the STP model, the key elements concerned are the decomposition, reorganization, noise suppression and redundancy elimination in feature extraction. On the basis of STP framework, a simple feature extraction method based on both logic and implementation is presented: spectral feature extraction based on curve fitting and downsampling for (EFCD). One of the important findings of the study is that the design of clever feature extraction methods in some literature is not necessarily decisive: even with the usual signal subsampling method, good spectral recognition performance can be obtained. The important thing is to keep the number of features above a certain level. In the study, the measured data are measured spectra of two kinds of extragalactic bodies in SDSS, Galaxy and QSO. They generally have a large redshift and are representative in the recognition of celestial body spectrum.
【作者單位】： 華南師范大學數學科學學院;聊城大學東昌學院數學系;
【基金】：國家自然科學基金項目(61075033)資助
【分類號】：P141.5

【參考文獻】

相關期刊論文 前1條

1 劉蓉;段福慶;劉三陽;吳福朝;;基于均值漂移的自適應濾波及其在光譜信號處理中的應用[J];電子與信息學報;2006年02期

【共引文獻】

相關碩士學位論文 前2條

1 趙東偉;捷聯成像制導信息處理及實驗研究[D];哈爾濱工業(yè)大學;2006年

2 孟建軍;基于動態(tài)交通模型和多信息融合的高速公路交通事件檢測算法[D];河海大學;2007年

【二級參考文獻】

相關期刊論文 前8條

1 周虹,黃凌云,羅曼麗;一種基于Hough變換和神經網絡的分層類星體識別方法[J];電子與信息學報;2000年04期

2 覃冬梅,胡占義,趙永恒;基于支撐矢量機的天體光譜自動分類方法[J];光譜學與光譜分析;2004年04期

3 趙瑞珍,胡占義,趙永恒;譜線自動提取的小波變換零交叉點方法[J];光譜學與光譜分析;2005年01期

4 許馨,羅阿理,吳福朝,趙永恒;基于神經網絡的模板匹配方法求正常星系紅移[J];光譜學與光譜分析;2005年06期

5 李鄉(xiāng)儒,吳福朝,胡占義,羅阿理;基于相融性度量的光譜分類方法[J];光譜學與光譜分析;2005年11期

6 羅阿理,趙永恒;使用小波技術自動搜尋天體譜線[J];天體物理學報;2000年04期

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

8 張靜遠,張冰,蔣興舟;基于小波變換的特征提取方法分析[J];信號處理;2000年02期

【相似文獻】

相關期刊論文 前10條

1 李鄉(xiāng)儒;胡占義;趙永恒;;基于Fisher判別分析的有監(jiān)督特征提取和星系光譜分類[J];光譜學與光譜分析;2007年09期

2 ;[J];;年期

3 ;[J];;年期

4 ;[J];;年期

5 ;[J];;年期

6 ;[J];;年期

7 ;[J];;年期

8 ;[J];;年期

9 ;[J];;年期

10 ;[J];;年期

，

本文編號：2221335