隨著天文學(xué)的發(fā)展以及天文望遠(yuǎn)鏡觀測(cè)能力的提升,國(guó)內(nèi)外許多大型巡天望遠(yuǎn)鏡將產(chǎn)生PB級(jí)的恒星光譜數(shù)據(jù)。恒星光譜是來自恒星的電磁輻射,通常由連續(xù)譜與吸收線疊加而成,其差異源于恒星的有效溫度、表面重力加速度以及元素的化學(xué)豐度等。恒星光譜自動(dòng)分類是天文數(shù)據(jù)處理的一項(xiàng)重要研究?jī)?nèi)容,是研究恒星演化和參數(shù)測(cè)量的基礎(chǔ)。海量的恒星光譜對(duì)分類方法提出了高效、準(zhǔn)確的要求。傳統(tǒng)的人工分類方法存在速度慢、精度低等缺點(diǎn),已經(jīng)無法滿足海量恒星光譜特別是低信噪比恒星光譜自動(dòng)分類的實(shí)際需要,機(jī)器學(xué)習(xí)算法目前已經(jīng)被廣泛地應(yīng)用于恒星光譜分類。恒星光譜的一個(gè)顯著特征是數(shù)據(jù)維度較高,降維不但可以實(shí)現(xiàn)特征提取,而且可以降低計(jì)算量,是光譜分類的首要任務(wù)。傳統(tǒng)的線性降維方法如主成分分析僅依據(jù)方差對(duì)光譜進(jìn)行降維,不同類型的光譜在投影到低維特征空間后會(huì)出現(xiàn)交叉現(xiàn)象,而流形學(xué)習(xí)能夠產(chǎn)生優(yōu)良的分類邊界,很好地避開重疊,有利于后續(xù)的分類。針對(duì)光譜數(shù)據(jù)維度較高的特點(diǎn),研究了光譜數(shù)據(jù)在高維空間內(nèi)的分布以及流形學(xué)習(xí)對(duì)高維線性數(shù)據(jù)降維的原理,比較了t-SNE和主成分分析兩種降維方法對(duì)光譜數(shù)據(jù)降維的效果,并使用基于屬性值相關(guān)距離的改進(jìn)的K近鄰算法進(jìn)行光譜... 

【文章來源】：光譜學(xué)與光譜分析. 2020,40(09)北大核心EISCICSCD

【文章頁數(shù)】：5 頁

【文章目錄】：
引 言
1 降維與分類方法
    1.1 t-SNE
    1.2 基于屬性值相關(guān)距離的KNN算法
2 實(shí)驗(yàn)過程及結(jié)論
    2.1 光譜降維
    2.2 光譜分類
    2.3 結(jié)果分析
3 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于熵學(xué)習(xí)機(jī)的恒星光譜分類（英文）[J]. 劉忠寶,任娟娟,宋文愛,張靜,孔嘯,富麗貞.  光譜學(xué)與光譜分析. 2018(02)
[2]基于屬性值相關(guān)距離的KNN算法的改進(jìn)研究[J]. 肖輝輝,段艷明.  計(jì)算機(jī)科學(xué). 2013(S2)
[3]Instructions for authors[J].   Research in Astronomy and Astrophysics. 2012(06)



本文編號(hào)：3161860