中国科学院机构知识库网格
Chinese Academy of Sciences Institutional Repositories Grid
基于深度残差网络的恒星光谱类别预测

文献类型:期刊论文

作者王天翔1,2; 范玉峰1; 王晓丽1; 龙潜1; 王传军1
刊名光谱学与光谱分析(Spectroscopy and Spectral Analysis)
出版日期2021-05
卷号41期号:5页码:1602-1606
关键词恒星光谱 光谱次型预测 深度学习 回归 特征映射
ISSN号1000-0593
DOI0.3964/j.issn.1000-0593(2021)05-1602-05
其他题名Prediction of Stellar Spectrum Categories Based on Deep Residual Network
产权排序第1完成单位
英文摘要

近年来,随着各大光谱巡天项目的陆续实施,观测得到的天体光谱数据急剧增长。大型光谱巡天项目对光谱的自动分类和分析提出了更高的要求。本文将分类问题转化为回归问题,提出一种基于深度残差网络的光谱类别预测方法,对恒星光谱进行光谱次型预测。网络主要包括25个卷积层,1个最大池化层,1个平均池化层,全连接层以及12个残差结构。最大池化层用来筛选特征,卷积层提取特征,平均池化层用于减少模型参数,提高效率。残差结构可以防止网络退化,加深网络来提取高维抽象特征以及提高训练速度。考虑到数据有非零几率存在错误标签以及损坏数据,采用Log-Cosh作为损失函数来降低坏样本带来的负面影响。实验数据使用的是从LAMOST DR5中随机抽取的80 000条光谱,由于光谱质量等原因,每个光谱型的光谱数量不一。经过剔除坏值,流量归一化后,按7∶1∶2分为训练集、验证集和测试集。实验包括两个部分,第一个部分是使用数据集训练网络在光谱次型上进行类别预测,使用最大绝对误差、平均绝对误差以及标准差来比较不同形状卷积核的性能。将预测值作为横坐标,标签作为纵坐标,对测试集所有样本点使用二阶非线性拟合,得到了一条与y=x重合的直线。证明模型可以很好的预测光谱次型。第二部分是对模型进行内部分析,使用类别激活映射的方法分别研究了模型预测A,F,G和K四种类型光谱时所关注的主要特征,赋予了模型可解释性。在文中数据集上,该方法对91.4%的光谱预测误差在0.5个光谱次型以内,预测的平均绝对误差为0.3个光谱次型。并与非参数回归、Adaboost回归树、K-Means三种方法进行同数据集比较,结果表明文中提出的方法可以很好地预测光谱次型并且速度更快,准确率更高。

学科主题天文学 ; 恒星与银河系 ; 恒星与银河系其他学科 ; 计算机科学技术 ; 计算机应用
分类号P152
资助项目国家自然科学基金项目[111773074] ; 国家自然科学基金项目[11603072] ; 云南省科技厅科技入滇项目[202003AD150003]
语种中文
资助机构国家自然科学基金项目[11603072, 11773074] ; 云南省科技厅科技入滇项目[202003AD150003]
源URL[http://ir.ynao.ac.cn/handle/114a53/24277]  
专题云南天文台_丽江天文观测站(南方基地)
通讯作者范玉峰
作者单位1.中国科学院云南天文台, 云南, 昆明, 650011
2.中国科学院大学, 北京, 100049
推荐引用方式
GB/T 7714
王天翔,范玉峰,王晓丽,等. 基于深度残差网络的恒星光谱类别预测[J]. 光谱学与光谱分析(Spectroscopy and Spectral Analysis),2021,41(5):1602-1606.
APA 王天翔,范玉峰,王晓丽,龙潜,&王传军.(2021).基于深度残差网络的恒星光谱类别预测.光谱学与光谱分析(Spectroscopy and Spectral Analysis),41(5),1602-1606.
MLA 王天翔,et al."基于深度残差网络的恒星光谱类别预测".光谱学与光谱分析(Spectroscopy and Spectral Analysis) 41.5(2021):1602-1606.

入库方式: OAI收割

来源:云南天文台

浏览0
下载0
收藏0
其他版本

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。