支持向量机作为一种经典的分类方法被广泛应用于恒星光谱分类领域。 该方法在实际应用中取得了较为理想的分类效果, 但其面临无法解决多分类问题的挑战。 在支持向量机的基础上, 提出多类支持向量机, 建立基于多类支持向量机的恒星光谱分类模型。 该方法的最大优势是经过一次分类过程, 可以确定多类样本的类属。 SDSS DR8恒星光谱数据上的比较实验表明, 本研究所提的方法较之已有多分类方法在分类性能上有一定的提升。
支持向量机 多类支持向量机 恒星光谱 自动分类 Support vector machine Multi-class support vector machine Stellar spectra Automatic classification 光谱学与光谱分析
2018, 38(7): 2307
1 中北大学软件学院, 山西 太原 030051
2 中国科学院光学天文重点实验室, 北京 100012
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 Data mining Stellar spectra classification Entropy Sloan digital sky survey (SDSS)
