基于局部均值的 K-近质心近邻光谱分类

• 作者: 屠良平 王志衡 罗阿理 赵永恒 韦鹏 魏会明
• 来源期刊: 光谱学与光谱分析
• 学科: 工学
• 关键词: 光谱分类 K-近邻 近质心近邻 K-近质心近邻
• 年，卷（期）: 2015,（4）
• 页码范围: 1103-1106
• 页数: 4页
• 分类号: TP391.4
• 字数: 3303字
• 语种: 中文
• DOI: 10.3964/j.issn.1000-0593(2015)04-1103-04

摘要

天体光谱包含着许多重要的关于天体的物理和化学信息，如天体表面的有效温度、重力加速度以及化学丰度等，天体光谱的处理和分析对天文研究具有重要的科学意义。一些大型巡天计划的实施（如SDSS ，LAMOST等）使我们获得了海量的天文光谱数据，因此天文光谱数据的自动分类成为重要的科学研究课题，然而面对如此海量的光谱数据，一些传统的光谱自动分类方法已经不适用，迫切需要寻找高效率的光谱自动分类技术。研究了基于局部均值的 K‐近质心近邻（local mean‐based K‐nearest centroid neighbor ， LMKNCN）算法在恒星（Star）、星系（Galaxy）和类星体（Quasar ，QSO）的光谱分类中的应用。LMKNCN算法的基本思想是根据近质心近邻原则，从每一类训练样本集中为待测样本点选取 k个近质心近邻点，然后根据每一类中所选取的 k个近质心近邻点的均值点到待测样本点 x的距离来判别 x 的所属类别。针对美国SDSS‐DR8的天体光谱数据，对比了 K‐近邻、K‐近质心近邻、LMKNCN三种算法在恒星、星系和类星体的光谱分类中所表现的性能，结果表明三种方法中，LMKNCN算法对这三种光谱的识别率高于其他两种算法或者与其相当，而且其平均分类正确率高于另外两种算法，特别是在类星体的识别率上表现的更好。表明了该算法对天文光谱大数据的快速处理和有效利用具有重要的意义。

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王志衡	河南理工大学计算机科学与技术学院	39	214	8.0	14.0
2	魏会明	辽宁科技大学理学院	3	2	1.0	1.0