论文部分内容阅读
当前广泛开展的大规模天文观测将产生海量的天体光谱数据。收集了海量的光谱数据后,需要对其分析和确定其类型,这可以帮助天文学家从统计学的角度研究天体的演化。因此天体光谱分类是天体进化研究的一个重要步骤,需要设计高效、准确地自动分类算法。本文讨论并发现了几种恒星和星系光谱的分类方法,论文的主要贡献归纳如下:
(1).提出了两种基于小波变换的恒星光谱特征提取方法,这两种方法可以在构造特征向量的同时抑制谱线中的噪声。使用构造的特征向量训练径向基函数神经网络,进行自动分类。结果显示这两种特征提取方法具有鲁棒性好、计算效率高等特点。
(2).首次将混合专家模型应用到恒星光谱自动分类中;实验中给出了混合专家模型与其他常用分类方法的比较,例如单一的径向基函数神经网络;结果证明混合专家模型得到的正确分类率要高于单一的径向基函数神经网络,而且具有很好的泛化能力。
(3).为了能同时得到恒星光谱的温度分类和光度分类,提出了一种组合特征的构造方法。采用神经网络集成对组合特征向量分类,得到了较为理想的结果;同时也证实了神经网络集成可以取得和混合专家模型接近的正确分类率。
(4).介绍了一种星系光谱分类方法。采用非线性的核独立成份分析提取星系光谱特征。实验结果显示核独立成份分析非常适用于天体光谱的特征提取;相比线性独立成份分析和主成份分析,核独立成份分析方法得到的正确分类率更高。