天體光譜是天體物理學(xué)重要的研究對象,通過光譜可以獲取天體的許多物理、化學(xué)參數(shù)如有效溫度、金屬豐度、表面重力加速度和視向速度等。白矮主序雙星是一類致密的雙星系統(tǒng),對研究致密雙星的演化特別是公共包層的演化有著重要的意義。國內(nèi)外的大型巡天望遠鏡如美國斯隆望遠鏡以及中國的郭守敬望遠鏡,每天都產(chǎn)生大量光譜數(shù)據(jù)。如此海量的光譜數(shù)據(jù)無法完全用人工進行分析。因此,使用機器學(xué)習(xí)方法從海量的天體光譜中自動搜索白矮主序雙星光譜,有著非�，F(xiàn)實的意義。目前的光譜自動識別方法主要通過對已有的標簽樣本進行分析,通過訓(xùn)練得到分類器,再對未知目標進行識別。這類方法對樣本的數(shù)量有明確的要求。白矮主序雙星的實測光譜數(shù)量有限。若要通過有限的樣本集準確學(xué)習(xí)白矮主序雙星的光譜特征,不僅需要擴大樣本數(shù)量,還需要提高特征提取和分類算法的精度。在前期工作中,通過機器學(xué)習(xí)等方法在海量巡天數(shù)據(jù)中識別了一批白矮主序雙星的光譜,為該實驗提供了數(shù)據(jù)源。使用對抗神經(jīng)網(wǎng)絡(luò)生成新的白矮主序雙星光譜,擴大訓(xùn)練數(shù)據(jù)量至原數(shù)據(jù)集約兩倍的數(shù)量,增強了分類模型的泛化能力。通過反貝葉斯學(xué)習(xí)修正損失函數(shù),將損失函數(shù)的大小與樣本的方差相關(guān)聯(lián),抑制了異常數(shù)據(jù)對模型造成... 

【文章來源】：光譜學(xué)與光譜分析. 2019,39(06)北大核心EISCICSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

圖１ＷＤＭＳ光譜Ｆｉｇ．１ＷＤＭＳＳｐｅｃｔｒｕｍ

的強度，同時也決定分布的偏倚程度。此時負對數(shù)似然性被重新定義為－ｌｏｇｐ（Ｄ｜ｑ）＝－ｌｏｇ１２槡ｐｓＤｅｘｐ－（ｔ－ｙ＋ｓＤ／２槡ｐ）２２ｓ２［｛｝］Ｄ＝（ｔ－ｙ）２２ｓ２Ｄ＋ｔ－ｙｓＤ２槡ｐ＋１４ｐ＋Ｃ１＝１２ｓ２Ｄ（ｔ－ｙ）２＋１ｓＤ２槡ｐ（ｔ－ｙ）＋Ｃ圖２為ＡＬＰ的概率模型示意圖，其中ｐ＊＝Ｐｙ－σＤ２槡π≤Ｔ≤（）ｙ。圖２ＡＬＰ示意圖Ｆｉｇ．２ＡＬＰＳｃｈｅｍａｔｉｃｄｉａｇｒａｍ２生成對抗網(wǎng)絡(luò)２．１光譜獲取及預(yù)處理通過Ｃａｓｊｏｂ［１１］獲�。樱模樱庸庾V庫中不同信噪比（ｓｉｇｎａｌｎｏｉｓｅｒａｔｉｏ，ＳＮＲ）的ＷＤＭＳ光譜共１７４６條，波長范圍為３８００～９０００?，信噪比范圍為１～５０。經(jīng)過數(shù)據(jù)清洗除去異常數(shù)據(jù)以及信噪比過低的數(shù)據(jù)后，保留光譜１６００條。在實測光譜由神經(jīng)網(wǎng)絡(luò)的輸入層進行正向傳播運算前，對原始光譜Ｓ通過最值歸一化方法［式（１）］進行標準化預(yù)處理，將其映射到［０，１］區(qū)間內(nèi)Ｓ＝Ｓ－ＳｍｉｎＳｍａｘ－Ｓｍｉｎ（２）２．２網(wǎng)絡(luò)模型搭建ＧＡＮ通常由兩部分組成：生成器Ｇ（ｚ）以及判別器Ｄ（ｚ），圖３展示了ＧＡＮ的基本原理。圖３ＧＡＮ基本原理圖Ｆｉｇ．３ＧＡＮＢａｓｉｃｓｃｈｅｍａｔｉｃ表１生成對抗網(wǎng)絡(luò)結(jié)構(gòu)Ｔａｂｌｅ１ＮｅｔｗｏｒｋＳｔｒｕｃｔｕｒｅｆｏｒＧＡＮｎｅｔｌａｙｅｒｎｅｕｒｏｎｓａｆＧ（ｚ

為３８００～９０００?，信噪比范圍為１～５０。經(jīng)過數(shù)據(jù)清洗除去異常數(shù)據(jù)以及信噪比過低的數(shù)據(jù)后，保留光譜１６００條。在實測光譜由神經(jīng)網(wǎng)絡(luò)的輸入層進行正向傳播運算前，對原始光譜Ｓ通過最值歸一化方法［式（１）］進行標準化預(yù)處理，將其映射到［０，１］區(qū)間內(nèi)Ｓ＝Ｓ－ＳｍｉｎＳｍａｘ－Ｓｍｉｎ（２）２．２網(wǎng)絡(luò)模型搭建ＧＡＮ通常由兩部分組成：生成器Ｇ（ｚ）以及判別器Ｄ（ｚ），圖３展示了ＧＡＮ的基本原理。圖３ＧＡＮ基本原理圖Ｆｉｇ．３ＧＡＮＢａｓｉｃｓｃｈｅｍａｔｉｃ表１生成對抗網(wǎng)絡(luò)結(jié)構(gòu)Ｔａｂｌｅ１ＮｅｔｗｏｒｋＳｔｒｕｃｔｕｒｅｆｏｒＧＡＮｎｅｔｌａｙｅｒｎｅｕｒｏｎｓａｆＧ（ｚ）ｉｎｐｕｔ１００ＲｅＬＵＧ（ｚ）ｈｉｄｄｅｎ１２８ＲｅＬＵＧ（ｚ）ｏｕｔｐｕｔ３５２２ＳｉｇｍｏｉｄＤ（ｘ）ｉｎｐｕｔ３５２２ＲｅＬＵＤ（ｘ）ｈｉｄｄｅｎ１２８ＲｅＬＵＤ（ｘ）ｏｕｔｐｕｔ１ＳｉｇｍｏｉｄＧ（ｚ）從概率分布ｐ（ｚ）中接收輸入ｚ，并試圖生成樣本數(shù)據(jù)；而生成器以真實數(shù)據(jù)或生成數(shù)據(jù)作為輸入，并試圖預(yù)測當(dāng)前輸入數(shù)據(jù)。在網(wǎng)絡(luò)的平衡點，判別器網(wǎng)絡(luò)認為生成器網(wǎng)絡(luò)輸出的結(jié)果是真實數(shù)據(jù)的概率為０．５０３８１光譜學(xué)與光譜分析第３９卷

【參考文獻】：
期刊論文
[1]基于條件深度卷積生成對抗網(wǎng)絡(luò)的圖像識別方法[J]. 唐賢倫,杜一銘,劉雨微,李佳歆,馬藝瑋.  自動化學(xué)報. 2018(05)
[2]基于徑向基神經(jīng)網(wǎng)絡(luò)的白矮主序雙星自動分類[J]. 王文玉,郭格霖,姜斌,王麗.  光譜學(xué)與光譜分析. 2016(10)



本文編號：3450166