基于深度信念网络的LAMOST恒星光谱分类研究

›› 2019, Vol. 4 ›› Issue (6): 10-14.

基于深度信念网络的LAMOST恒星光谱分类研究

（1.云南民族大学数学与计算机科学学院，昆明 650500；2.中国科学院天体结构与演化重点实验室，昆明 650011）

收稿日期:2019-01-15 出版日期:2019-06-15 发布日期:2019-06-15
通讯作者: 周卫红，教授，E-mail：ynzwh@163.com.
作者简介:张静敏，硕士研究生，主要从事智能计算研究.
基金资助:
国家自然科学基金资助项目（61561053）

StudyontheClassificationofLAMOSTStellarSpectraBasedonDeepBeliefNetwork

（1.SchoolofMathematicsandComputerScience,YunnanMinzuUniversity,Kunming650500,China;2.KeyLaboratoryofthe StructureandEvolutionofCelestialObjects,ChineseAcademyofSciences,Kunming650011,China）

Received:2019-01-15 Online:2019-06-15 Published:2019-06-15

摘要/Abstract

摘要： 恒星光谱分类是光谱分析的一种重要方法，是天体光谱数据挖掘的重要内容。针对从LAMOST（theLargeSkyArea Multi-ObjectFiberSpectroscopicTelescope）DataRelease5（DR5）选取出的33000条F、 G和K型3种恒星光谱数据，采用一种基于深度信念网络的恒星光谱分类方法，通过在训练过程中对恒星光谱数据进行分层特征学习，从而建立深度信念网络模型。最后对此模型进行恒星光谱分类测试，得到F、 G和K型3种恒星的分类精确率分别为0.93、 0.90和0.98，从而验证了该模型对这3种恒星光谱的正确性，分类精确率较高，对海量天体光谱数据的处理有着重要意义。

关键词: 光谱分类, 特征学习, 深度学习, 深度信念网络

Abstract: Stellarspectralclassificationisanimportantmethodofspectralanalysis,anditisanimportantpartofcelestialdata mining.Inaccordancewiththeselectedspectraldataof33000F,GandKtypestarsfromLAMOST（theLargeSkyAreaMulti-Object FiberSpectroscopicTelescope）DataRelease5（DR5）,amethodbasedonthedeepbeliefnetworkforclassificationwasadopted.The deepbeliefnetworkmodelisestablishedbyhierarchicalfeaturelearningofstellarspectraldataduringtraining,andfinally,thestellar spectralclassificationtestofthismodelshowsthattheclassificationaccuracyofthethreestarsF,GandKare0.93,0.90and0.98 respectively,whichverifiesthecorrectnessofthemodelanditshighclassificationaccuracyrateandisofgreatsignificanceforthe processingofmassivecelestialspectraldata.

Key words: spectralclassification, featurelearning, deeplearning, deepbeliefnetwork

中图分类号:

TN911.74

张静敏1，许婷婷1，杜利婷1，周卫红1， 2* . 基于深度信念网络的LAMOST恒星光谱分类研究 [J]. , 2019, 4(6): 10-14.

ZhangJingmin1,XuTingting1,DuLiting1,ZhouWeihong1,2* . StudyontheClassificationofLAMOSTStellarSpectraBasedonDeepBeliefNetwork[J]. , 2019, 4(6): 10-14.

参考文献

〔1〕杨海峰.天体光谱数据挖掘与分析〔M〕 .北京：电子工业出版社，2016： 2-14. 〔2〕RODRIGUEZA，ARCAYB，DAFONTEC，etal.Automat? edknowledge-basedanalysisandclassificationofstellar spectrausingfuzzyreasoning〔J〕.ExpertSystemswithAp? plications，2004，27（2）：237-244. 〔3〕覃冬梅，胡占义，赵永恒.一种基于主分量分析的恒星光谱快速分类法〔J〕 . 光谱学与光谱分析，2003，23（1）： 182-186. 〔4〕LIUZT，QIUKM.Amethodforauto-recognizingthestars based on spectral feature〔J〕. Spectroscopy & Spectral Analysis，2010， 30（1）：274-277. 〔5〕PANJC，WANGJ，JIANGB，etal.AMethodofStellar Spectral Classification Based on Map/Reduce Distributed Computing〔J〕.Spectroscopy&SpectralAnalysis，2016，36 （8）：2651-2654. 〔6〕艾丽雅.天体光谱的分类算法研究〔D〕 .鞍山：辽宁科技大学，2016. 〔7〕刘蓉，乔学军，张健楠，等.基于非参数回归与Adaboost 的恒星光谱自动分类方法〔J〕 . 光谱学与光谱分析， 2017， 37（5）：1553-1557. 〔8〕张静，刘忠宝，宋文爱，等.基于多类支持向量机的恒星光谱分类方法〔J〕 . 光谱学与光谱分析，2018，38（7）： 2307-2310. 〔9〕ZHONGJ，LEPINES，HOUJ，etal.Automatedidentifica? tionof2612late-kandMdwarfsintheLAMOSTcommis? sioningdatausingtheclassificationtemplatefits〔J〕.Astro? nomicalJournal，2015，150（2）：928-932. 〔10〕LIUC，CUIWY，ZHANGB，etal.Spectralclassification ofstarsbasedonLAMOSTspectra〔J〕.ResearchinAs? tronomy&Astrophysics，2015， 15（8）：1137-1153. 〔11〕李玉鑑，张婷，等. 深度学习导论及案例分析〔M〕 . 北京：机械工业出版社，2016： 38-63. 〔12〕WANGK，GUOP，LUOAL.Anewautomatedspectral featureextractionmethodanditsapplicationinspectral classificationanddefectivespectrarecovery〔J〕.Monthly NoticesoftheRoyalAstronomicalSociety，2017，465（4）： 4311-4324.