10.3964/j.issn.1000-0593(2022)06-1881-05
基于FFCNN的二维恒星光谱分类
天体光谱处理中的一项基本任务是对大量的恒星光谱进行自动分类.到目前为止,恒星光谱的分类工作多是基于一维光谱数据.该研究打破传统的天体光谱数据处理流程,提出了基于二维恒星光谱分类的方法.在LAMOST(the large sky area multi-object fiber spectroscopic telescope)的数据处理流程中,所有的一维光谱都是由二维光谱抽谱、合并得来.二维光谱是由光谱仪产生的图像,包括蓝端图像和红端图像.基于LAMOST二维光谱数据,提出了特征融合卷积神经网络(FFCNN)分类模型,用于二维恒星光谱的分类.该模型是一个有监督的算法,通过两个CNN模型分别提取蓝端图像和红端图像的特征,然后将二者进行融合得到新的特征,再利用CNN对新特征进行分类.所使用的数据全部来源于LAMOST,我们在LMOST DR7中随机选择了一批源,然后获得了它们的二维光谱.一共有14840根F,G和K型恒星的二维光谱用于FFCNN模型的训练,其中包括7420根蓝端光谱和7420根红端光谱.由于三类恒星光谱的数量并不均衡,在训练的过程中分别为每类恒星光谱设置了不同权重,防止模型出现分类失衡现象.同时,为了加快模型收敛,对二维光谱数据采用Z-sco re归一化处理.此外,为了充分利用所有样本,提高模型的可靠度,采用五折交叉验证的方法验证模型.3710根二维光谱用作测试集,使用准确率、精确率、召回率和F1-score来对FFCNN模型的性能进行评价.实验结果显示,F,G和K型恒星的精确率分别达到87.6%,79.2% 和88.5%,而且它们超过了一维光谱分类的结果.实验结果证明基于FFCNN的二维恒星光谱分类是一种有效的方法,它也为恒星光谱的处理提供了新的思路和方法.
二维恒星光谱、光谱分类、FFCNN模型、归一化、交叉验证
42
P157.2(恒星天文学、星系天文学、宇宙学)
国家自然科学基金;河北省自然科学基金;中国科学院天文大科学研究中心LAMOST重大成果培育项目
2022-06-20(万方平台首次上网日期,不代表论文的发表时间)
共5页
1881-1885