矮新星是一類特殊而稀少的半相接雙星。發(fā)現(xiàn)更多的矮新星對于深入研究物質轉移理論、理解密近雙星演化過程意義深遠。利用深度學習技術提取天體光譜特征并進而分類是天文數據處理領域的研究熱點。傳統(tǒng)的自編碼器是僅包含一個隱層的經典神經網絡模型,編碼能力有限,數據表征學習能力不足。模塊化拓寬神經網絡的深度能夠驅使網絡繼承地學習到天體光譜的特征,通過對底層特征的逐漸抽象學習獲得高層特征,進而提高光譜的分類準確率。以自編碼器為基礎構建了由輸入層、若干隱藏層和輸出層組成的基于多層感知器架構的深度前饋堆棧式自編碼器網絡,用于處理海量的光譜數據集,挖掘隱藏在光譜內部具有區(qū)分度的深度結構特征,實現(xiàn)對矮新星光譜的準確分類。鑒于深度架構網絡的參數設置會嚴重影響所構建網絡的性能,將網絡參數的優(yōu)化分為逐層訓練和反向傳播兩個過程。預處理后的光譜數據先由輸入層進入網絡,再經自編碼器算法和權值共享實現(xiàn)對網絡參數的逐層訓練。反向傳播階段將初始樣本數據再次輸入網絡,以逐層訓練所得的權值對網絡初始化,再把網絡各層的局部優(yōu)化訓練結果融合起來,根據所設置的輸出誤差代價函數調整網絡參數。反復地逐層訓練和反向傳播,直到獲得全局最優(yōu)的網絡參數...

【文章頁數】：5 頁

【文章目錄】：
引 言
1 構建深度架構網絡
2 實驗與結果分析
3 結 論



本文編號：3815668