基于Isomap算法的恒星光谱离群点挖掘

摘要：

如何从已分类的海量光谱中发现被错分的光谱一直是天文数据处理专家重点研究的问题，探讨的Isomap算法在该问题方面有很好的表现。通过Isomap算法与主成分分析方法（PCA ）算法的实验结果对比发现：（1）PCA将具有不同特征的光谱投影到邻近的区域，而Isomap算法却可以将具有相似特征的光谱投影到邻近区域，而将具有不同特征的光谱投影到相距较远的区域；（2）Isomap算法给出的大部分离群点较易判断，且是具有很高科学价值的双星；而PCA给出的离群点难以判断，科学价值不高。因此，在光谱离群点发掘上Isomap算法比PCA有明显优势。由于使用的数据为SDSS最新发布的M 型的九种光谱次型的光谱，因而Isomap算法能够快速发现被斯隆数字巡天数据处理流程（SDSS pipeline）错分的光谱，可帮助有效提高现有光谱分类算法的准确率。更进一步，由于被SDSS pipeline错分的光谱大部分是双星，因而Isomap算法还可以进一步帮助我们发现有很高科学研究价值的双星，提高双星的发现效率。虽然实验显示Isomap算法对信噪比变化较为敏感，在具有较低信噪比的光谱上表现较差，但由于信噪比低的光谱的光谱型难以判断，因而该缺点并不影响Isomap算法的在光谱发掘上的应用。

关键词：流形学习算法、Isomap算法、主成分分析、数据挖掘

分类号：TP29(自动化技术及设备)

资助基金：国家自然科学基金项目11078013

在线出版日期：2014-01-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：267-273