基于深度学习的恒星光谱分类
文献类型：学位论文
| 作者 | 王天翔
|
| 答辩日期 | 2021-07-01 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 范玉峰 |
| 关键词 | 恒星光谱 MK分类 深度学习 回归 特征映射 |
| 学位专业 | 天文技术与方法 |
| 其他题名 | Stellar Spectrum Classification Based on deep learning |
| 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。为了能对海量的天体光谱数据进行有效利用，我们对恒星光谱分类和深度学习方法进行了研究，参考国内外相关研究的文献，提出了对恒星光谱进行MK自动分类的深度学习方法。在光谱型分类方面，因为光谱型代表的是恒星温度，本文将光谱型分类问题转化为温度的回归问题，设计了深度残差网络对光谱类别进行预测。模型的主体由残差网络构成，主要包括卷积层，最大池化层，平均池化层，全连接层以及残差结构。最大池化层用来筛选特征，卷积层用于提取特征，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，同时我们还在模型上加入了注意力机制。考虑到光谱有非零几率存在错误标签以及损坏的情况，本文采用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、SDSS等光谱库中随机抽取的恒星光谱，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分割数据集。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线性拟合和二阶非线性拟合，得到了一条与y = x基本重合的直线，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、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，该方法取得了平均绝对误差为0.4个光谱次型的优秀预测结果。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。在光度型方面，由于光度型分类依赖于谱线的细微变化，对于此，本文采用多尺度卷积模型提取谱线特征，主要包括卷积层、ReLU激活层、批归一化层、Softmax层和全连接层。由于光度型的有标签数据稀少，本文利用迁移学习思想，先将模型在光谱型数据集上进行预训练，然后在光度型数据集上进行微调。由于数据集类不平衡，本文在微调时使用Focal Loss作为损失函数，以此来提升训练效果，最后将结果与相关研究中的算法进行了比较分析。 |
| 学科主题 | 天文学 ; 恒星与银河系 ; 计算机科学技术 ; 人工智能 ; 计算机应用 |
| 语种 | 中文 |
| 页码 | 75 |
| 源URL | [http://ir.ynao.ac.cn/handle/114a53/25489]  |
| 专题 | 云南天文台_丽江天文观测站（南方基地） |
| 作者单位 | 中国科学院云南天文台 |
| 推荐引用方式 GB/T 7714 | 王天翔. 基于深度学习的恒星光谱分类[D]. 北京. 中国科学院大学. 2021. |
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。