基于熵学习机的恒星光谱分类

• 作者: 任娟娟 刘忠宝 孔啸 宋文爱 富丽贞 张静
• 来源期刊: 光谱学与光谱分析
• 学科: 地球科学
• 关键词: 数据挖掘 恒星光谱分类 熵 斯隆数字巡天
• 年，卷（期）: 2018,（2）
• 页码范围: 660-664
• 页数: 5页
• 分类号: P144.1
• 字数: 730字
• 语种: 中文
• DOI: 10.3964/j.issn.1000-0593(2018)02-0660-05

摘要

数据挖掘被广泛应用于恒星光谱分类.为了提高传统光谱分类方法性能,提出熵学习机(Entropy-based Learning Machine,ELM).在该方法中,熵用来刻画分类的不确定性.为了得到理想的分类结果,分类的不确定性应最小,基于此,可得ELM的最优化问题.ELM在处理二分类问题和稀有光谱发现等方面具有一定优势.SDSS中K型、F型、G型恒星光谱数据集上的比较实验表明:ELM 在进行恒星光谱分类时,其分类性能优于 k近邻(k Nearest Neighbor)和支持向量机(Support Vector Machine)等传统分类方法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	宋文爱	中北大学软件学院	107	470	11.0	16.0
2	张静	中北大学软件学院	26	36	4.0	4.0
3	刘忠宝	中北大学软件学院	58	141	6.0	8.0
4	富丽贞	中北大学软件学院	10	49	3.0	7.0
5	孔啸	中国科学院光学天文重点实验室	3	1	1.0	1.0
6	任娟娟	中国科学院光学天文重点实验室	2	0	0.0	0.0