科研之友
微信
新浪微博
Facebook
分享链接
摘要
恒星光谱分类是恒星光谱分析的重要工作之一。我国大型巡天项目LAMOST能够获得海量的恒星光谱数据，为了对海量恒星光谱数据进行高效分类，特别是对恒星光谱子型数据进行分类，需要研究快速有效的恒星光谱自动分类算法。提出一种基于Transformer特征提取的混合深度学习算法Bert+svm(简记为Besvm)实现A型恒星光谱子型的自动分类。该算法将A型恒星光谱26个线指数作为输入特征，应用Bert模型对26个线指数进行更深层次的学习，通过学习26个线指数的内在关联，进而提取到更有利于A型恒星光谱子型分类的特征。提取好的新特征被输入到分类器算法支持向量机(简记为SVM)中，进而对A型恒星光谱的三个子型A1、 A2和A3进行自动分类。此前，SVM算法在恒星光谱分类任务中已经有过应用，一些衍生的SVM算法在恒星光谱分类任务中也有较高的分类正确率。相比从前应用到恒星光谱分类任务的SVM算法，我们的混合深度学习算法受数据的信噪比影响较小，使用低信噪比数据也能有较高的分类正确率，并且所用数据量较少。通过五组实验验证了该算法的有效性和优越性：实验1用来对比选择优秀的核函数，通过光谱数据的匹配实验，最终选择了径向基核函数RBF;实验2对比了Besvm算法和其他四种传统优秀算法的性能指标，验证了Besvm算法的优越性；实验3用来检验Besvm算法的稳定性；实验4分析了数据量对Besvm算法的影响；实验5分析了不同信噪比数据对Besvm算法分类正确率的影响。综合实验结果分析表明，提出的混合深度学习算法Besvm在规模较小且信噪比低的数据集上仍能保持较高的分类正确率。Besvm总体分类错误率在0.01以下，远低于经典传统机器学习算法LDA算法，BP神经网络算法，SVM算法和Xgboost算法的分类错误率0.7, 0.66, 0.65, 0.36.需要说明的是BP神经网络算法的分类正确率过于受限于隐层神经元的个数。
- 单位
