基于深度学习的恒星光谱分类

摘要

大型巡天项目使得恒星光谱的观测进入大数据时代,实现恒星光谱自动分类是一项重要和具有挑战性的工作.本文采用基于一维的卷积网络算法对斯隆数字巡天(sloan digital sky survey, SDSS)的恒星光谱进行分类.通过卷积神经网络,恒星光谱的特征被提取出来并用于分类.采用带标签的恒星光谱数据训练一维恒星光谱卷积网络(1-dimension stellar spectra convolutional neural networks, 1-D SSCNN),得到训练好的网络模型,并用其对恒星光谱进行分类测试.本文算法与传统的恒星光谱分类算法支持向量机(support vector machine, SVM)、随机森林(random forest, RF)和人工神经网络(artificial neural network, ANN)进行对比,结果表明,本文算法具有较高的分类精度和鲁棒性,且给出了由深度学习得出的光谱热力图,对研究光谱物理性质具有重要意义.

关键词

恒星光谱 / 一维卷积 / 分类 / 热力图

基金资助

科技部重点基础研发资助项目（2017YFA0402600）; 国家自然科学基金资助项目（11690023,11373014,11633001）; 北京市优秀人才资助项目; 中国科学院战略性光导科技专项资助项目B类（XDB23000000）; 中国科学院计算天体物理重点实验室开放基金资助项目