恒星光谱数据的分类是天体光谱自动识别的最基本任务之一, 光谱分类的研究能够为恒星的演化提供线索。 随着科技的发展, 天文数据也向大数据时代迈进, 需要处理的恒星光谱数量越来越多, 如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。 当前恒星光谱自动分类问题的解决方法相对较少, 为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。 该网络由数据输入层、 四个卷积层、 四个池化层、 全连接层、 输出层构成, 与传统网络相比具有局部感知、 参数共享等优点实验。 在Python3.5的环境下编程, 利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络, 并将Dropout作用于全连接层之后以防止过度拟合。 Dropout的基本思想: 当网络模型进行训练时, 把一些神经网络节点按一定的比例丢弃, 使其暂时不发挥作用。 Dropout可以理解成是一种十分高效的神经网络模型平均方法, 由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。 实验中使用的一维恒星光谱图是取自LAMOST DR3数据库, 首先进行预处理截取光谱3 600~7 300 的部分, 均匀采样后使用min-max标准化法对其进行初始化。 实验包括两部分: 第一部分为依据恒星光谱MK系统对光谱进行分类, 每一类的训练样本包含1 000条光谱数据, 测试样本为400条光谱数据, 首先通过训练样本对CNN网络进行训练, 进行3 000次的迭代, 用训练后的网络将测试样本进行分类以验证网络的准确性; 第二部分为相邻两类的恒星光谱的分类, 其中O型星数据集样本为250条光谱, 其余类别恒星样本数据集均为4 000条光谱, 将数据5等分, 每次选取当中的一份当作测试集, 其余部分当作训练集, 采用5折交叉验证法求得模型准确率, 用BP神经网络进行对比实验。 选择对网络模型进行评估的指标包括精确率P、 召回率R、 F-score、 准确率A。 实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上, 在对相邻类别的恒星进行分类时, 由于O型星样本量较少, 所以得到的分类结果不太理想, 对其余类别的恒星分类准确率都高于98%, 以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。

尽管经典的分类方法支持向量机SVM在天文学领域广泛应用, 但其只考虑类间的绝对间隔而忽略类内的分布性状, 因而分类性能有待于进一步提升。 鉴于此, 提出一种新颖的基于流形判别分析和支持向量机的恒星光谱数据自动分类方法。 该方法引入流形判别分析的两个重要概念: 基于流形的类内离散度MW和基于流形的类间离散度MB。 所提方法找到的分类面同时保证MW最小且MB最大。 可建立相应最优化问题, 然后将原最优化问题转化为QP对偶形式求得支持向量和判别函数, 最后利用判别函数判断测试样本的类属。 该方法的最大优势在于进行分类决策时, 不仅考虑样本的类间信息和分布特征, 而且还保持了各类的局部流形结构。 SDSS恒星光谱数据上的比较实验表明该方法的有效性。

在海量的天体光谱数据中利用无监督聚类学习方法将天体自动分类具有更加诱人的前景。 针对当前聚类方法存在的缺点, 提出一种高效的高维数据硬划分算法, 在此基础上提出了一种分阶段模糊聚类方法。 第一阶段, 利用硬划分算法对数据聚类, 克服了模糊聚类算法对初始值敏感的缺点。 第二阶段, 以第一阶段运算结果作为初始值, 进行模糊聚类的, 并将微粒群算法引入模糊聚类, 从而保证了聚类结果的全局最优性。 实验结果表明, 该方法用于天体光谱聚类是可行的、 有价值的。