标题:基于反贝叶斯学习的WDMS光谱自动识别研究
作者:姜斌;赵梓良;黄灏;钟云鹏;赵永健;曲美霞
作者机构:[]山东大学(威海)机电与信息工程学院,山东威海264209,中国
通讯作者:Qu, MX;Qu, MeiXia
通讯作者地址:[Qu, MX]Shandong Univ, Sch Mech Elect & Informat Engn, Weihai 264209, Shandong, Peoples R China.
来源:光谱学与光谱分析
出版年:2019
卷:39
期:6
页码:1829-1833
DOI:10.3964/j.issn.1000-0593(2019)06-1829-05
关键词:白矮主序双星;生成对抗网络;反贝叶斯学习策略;[5125116]卷积神经网络;
摘要:天体光谱是天体物理学重要的研究对象,通过光谱可以获取天体的许多物理、化学参数如有效温度、金属丰度、表面重力加速度和视向速度等。白矮主序双星是一类致密的双星系统,对研究致密双星的演化特别是公共包层的演化有着重要的意义。国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜,每天都产生大量光谱数据。如此海量的光谱数据无法完全用人工进行分析。因此,使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱,有着非常现实的意义。目前的光谱自动识别方法主要通过对已有的标签样本进行分析,通过训练得到分类器,再对未知目标进行识别。这类方法对样本的数量有明确的要求。白矮主序双星的实测光谱数量有限。若要通过有限的样本集准确学习白矮主序双星的光谱特征,不仅需要扩大样本数量,还需要提高特征提取和分类算法的精度。在前期工作中,通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱,为该实验提供了数据源。使用对抗神经网络生成新的白矮主序双星光谱,扩大训练数据量至原数据集约两倍的数量,增强了分类模型的泛化能力。通过反贝叶斯学习修正损失函数,将损失函数的大小与样本的方差相关联,抑制了异常数据对模型造成的影响,提升了模型的鲁棒性,解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。该实验基于Tensorflow深度学习库。使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性,并且封装了内部实现细节,使得算法得以更好地实现。除此之外,由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。实验结果表明,二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。基于反贝叶斯学习策�
收录类别:EI;CSCD;SCOPUS;SCIE
资源类型:期刊论文
原文链接:https://www.scopus.com/inward/record.uri?eid=2-s2.0-85072252184&doi=10.3964%2fj.issn.1000-0593%282019%2906-1829-05&partnerID=40&md5=dc2feed1968741a299fba89010e2b0ef
TOP