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)
1 中北大学计算机与控制工程学院, 山西 太原030051
2 中北大学信息与通信工程学院, 山西 太原030051
3 山西大学商务学院信息学院, 山西 太原030031
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。
自动分类 恒星光谱数据 流形判别分析 支持向量机 Automatic classification Star spectra data Manifold-based discriminant analysis (MDA) Support vector machine (SVM)
