基于深度学习的LAMOST光谱分类研究

• 作者: 周卫红 张静敏 许婷婷 马晨晔
• 来源期刊: 天文学报
• 学科: 地球科学
• 关键词: 恒星 基本参数,方法 数据分析,方法 统计学,技术 光谱分析
• 年，卷（期）: 2019,（2）
• 页码范围: 13-22
• 页数: 10页
• 分类号: P144
• 字数: 4234字
• 语种: 中文
• DOI: 10.15940/j.cnki.0001-5245.2019.02.011

摘要

光谱分类不仅对理解恒星物理学有着重要意义,而且在研究银河系整体结构和演化过程中起着至关重要的作用.然而在相关研究中仍存在分类精度低和光谱型未知等问题,因此提出一种新的光谱自动分类模型并将其应用在F、G和K3种恒星光谱的分类中,方法的基本思想是训练一个深度信念网络对光谱数据进行分层特征学习,然后采用反向传播算法对整个模型进行微调.从LAMOST(Large Sky Area Multi-Ob ject Fiber Spectroscopic Telescope)Data Release 5(DR5)中选取31667条包含F、G和K 3种恒星的光谱数据,并在TOPCAT软件中与GAIA(Global Astrometric Interferometer for Astrophysics)数据进行交叉,得到颜色-星等图并验证光谱数据的分布.最后对该模型进行评估,结果表明:深度信念网络在综合性能上优于其他分类算法.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	周卫红	云南民族大学数学与计算机科学学院	32	127	7.0	9.0
3	张静敏	云南民族大学数学与计算机科学学院	7	9	2.0	3.0
4	许婷婷	云南民族大学数学与计算机科学学院	5	11	2.0	3.0
7	马晨晔	云南农业职业技术学院经济管理学院	2	2	1.0	1.0