恒星光譜數據的分類是天體光譜自動識別的最基本任務之一,光譜分類的研究能夠為恒星的演化提供線索。隨著科技的發(fā)展,天文數據也向大數據時代邁進,需要處理的恒星光譜數量越來越多,如何對其進行自動而精準地分類成為了天文學家要解決的難題之一。當前恒星光譜自動分類問題的解決方法相對較少,為此本文使用了一種基于卷積神經網絡的方法對恒星光譜MK系統(tǒng)進行分類。該網絡由數據輸入層、四個卷積層、四個池化層、全連接層、輸出層構成,與傳統(tǒng)網絡相比具有局部感知、參數共享等優(yōu)點實驗。在Python3.5的環(huán)境下編程,利用Tensorflow構建了一個簡單高效的具有四個卷積層的卷積神經網絡,并將Dropout作用于全連接層之后以防止過度擬合。Dropout的基本思想:當網絡模型進行訓練時,把一些神經網絡節(jié)點按一定的比例丟棄,使其暫時不發(fā)揮作用。Dropout可以理解成是一種十分高效的神經網絡模型平均方法,由于它不依賴于某些局部特征所以能夠讓網絡模型更加魯棒。實驗中使用的一維恒星光譜圖是取自LAMOST DR3數據庫,首先進行預處理截取光譜3 600～7 300?的部分,均勻采樣后使用min-max標準化法對其進行初始化...

【文章頁數】：5 頁

【文章目錄】：
引 言
1 基本原理
2 實驗分析與討論
3 結 論



本文編號：3798956