10.3964/j.issn.1000-0593(2018)02-0660-05
基于熵学习机的恒星光谱分类
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.
数据挖掘、恒星光谱分类、熵、斯隆数字巡天
38
P144.1(天体物理学)
Nature Science Foundation of Shanxi201601D011042;Program for the Outstanding Innovative Team of High Learning Learning Instituttions of Shanxi,Outstanding Youth Funds of North University of China
2018-03-13(万方平台首次上网日期,不代表论文的发表时间)
共5页
660-664