1 中北大学计算机与控制工程学院, 山西 太原 030051
2 河南信息统计学院人事处, 河南 郑州 450008
3 山西大学商务学院信息学院, 山西 太原 030031
支持向量机(support vector machine, SVM)具有良好的学习性能和泛化能力, 因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大, SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题, Jayadeva等提出双支持向量机(twin support vector machine, TWSVM), 将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征, 对每类数据的局部特征并未关注。鉴于此, 提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine, MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征, 模糊隶属度函数的引入将各类数据区别对待, 尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM, KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。
自动分类 恒星光谱 流形判别分析 模糊隶属度 双支持向量机 Automatic classification Star spectra data Manifold-based discriminant analysis (MDA) Fuzzy membership Twin support vector machine (TWSVM)