恒星的分类问题一直是天文研究的一大热点, 恒星的亚型分类对探究恒星演化、 稀有天体识别等具有重大意义。 针对LAMOST光谱亚型分类问题设计了SSTransformer (stellar spectrum transformer)分类模型, 该模型主要由三部分组成, 包括输入模块、 嵌入模块、 SST编码模块。 在输入模块中, 将光谱数据进行分块处理, 这些块经过线性投射层被映射为向量。 在嵌入模块中, 为了提取有用的数据特征, 将线性投射层的输出加入一个可学习的类别嵌入块, 为了保留位置信息, 再加入位置嵌入块, 之后将这些数据特征向量送入SST编码模块。 最后在SST编码模块中, 对数据特征进行提取处理, 并利用多层感知器结合新特征对恒星光谱进行分类。 采用的A、 F、 G、 K、 M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱, 35 256条一维光谱数据用于SSTransformer模型的训练, 8815条一维光谱数据用作模型的测试。 为了加快模型的收敛速度, 对数据采用Z-Score归一化处理。 由于是多分类问题, 实验采用了准确率、 精确率、 召回率、 F1-Score、 Kappa系数五个评价指标。 实验结果证明, 利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类, 分类准确率达到98.36%, 比支持向量机(support vector machine, SVM)算法、 极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法, 以及卷积神经网络(convolutional neural networks, CNN)的分类准确率更高。

随着越来越多的大型光谱巡天计划的实施, 产生了海量的恒星光谱数据, 这对于恒星演化理论的研究具有重大意义, 但也给传统的光谱分类和处理带来极大挑战。 2021年发布的LAMOST DR7(v2.0版本)光谱数据集中, 恒星光谱总量为百万量级, 但其中O型星的数量仅为129条, 远远小于其他六类恒星光谱数量。 对于这种数据量大、 数据集严重不平衡的情况, 传统的机器学习分类方法达不到较好的效果, 因此多用于对相邻两类、 部分类或子类恒星光谱进行分类。 针对以上问题, 使用一维卷积神经网络(CNN)和一维生成对抗网络(GAN)相结合的半监督学习模式对七类恒星光谱进行全分类。 实验首先对每条光谱进行裁剪和去噪, 截取光谱波长范围为370.00~867.16 nm部分, 然后进行均匀采样和归一化, 生成大小为1×3 700的数据集样本, 送入CNN进行训练。 为了避免过拟合并提高模型对未知数据的预测能力, 在CNN的全连接层和池化层之间添加正则项Dropout。 使用该网络对除O型星以外的六类光谱进行分类, 平均分类准确率达到98.08%。 针对O型星数量严重偏少的问题, 采用GAN来扩充数据集。 GAN的输入是1×900大小的噪声信号, 经过生成器中全连接的三层跨步卷积运算, 输出大小为1×3 700的数据。 通过对生成器和判别器进行单独交替迭代训练使GAN收敛, 最终输出所需数量的O型星样本, 达到扩充数据集的目的。 和常见的通过过采样扩充数据集相比, 利用GAN扩充数据集, 结合一维CNN对恒星光谱进行全分类, 可以将O型星的分类准确率由72.92%提升至97.92%, 整个分类器的准确率达到96.28%。 实验结果表明, 使用这种半监督模式的恒星光谱自动分类方法可以实现对七类恒星光谱的快速、 准确分类, 也可以用于对标记为“Unknown”的未分类恒星光谱进行挖掘, 达到充分利用光谱的目的。

糖尿病视网膜病变是糖尿病最常见也是最严重的并发症之一。为提高对糖尿病视网膜病变严重程度的诊断准确率，进一步为糖尿病视网膜病变治疗的精准用药提供依据，提出一种新型的特征融合网络模型。首先利用轻量化网络EfficientNet-B0提取眼底图像的不同层特征，使用高层特征结合三个不同空洞率的空洞卷积形成多尺度特征。然后引入多尺度通道注意力模块（MS-CAM），赋予高层特征和低层特征新的权重，对高低层特征进行融合，形成最终的特征表征，从而完成对糖尿病视网膜病变严重程度的分类。实验结果表明，所提模型的分类准确率达85.25%，表明其具有较好的可行性，在临床上给医生诊断起到了辅助作用，能更有效地预防糖尿病视网膜病变的进一步恶化。

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。

恒星光谱自动分类是研究恒星光谱的基础内容, 快速、 准确自动识别、 分类恒星光谱可提高搜寻特殊天体速度, 对天文学研究有重大意义。 目前我国大型巡天项目LAMOST每年发布数百万条光谱数据, 对海量恒星光谱进行快速、 准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一。 针对恒星光谱自动分类问题, 提出一种基于卷积神经网络(CNN)的K和F型恒星光谱分类方法, 并与支持向量机(SVM)、 误差反向传播算法(BP)对比, 采用交叉验证方法验证分类器性能。 与传统方法相比CNN具有权值共享, 减少模型学习参数; 可直接对训练数据自动进行特征提取等优点。 实验采用Tensorflow深度学习框架, Python3.5编程环境。 K和F恒星光谱数据集采用国家天文台提供的LAMOST DR3数据。 截取每条光谱波长范围为3 500~7 500 部分, 对光谱均匀采样生成数据集样本, 采用min-max归一化方法对数据集样本进行归一化处理。 CNN结构包括: 输入层, 卷积层C1, 池化层S1, 卷积层C2, 池化层S2, 卷积层C3, 池化层S3, 全连接层, 输出层。 输入层为一批K和F型恒星光谱相同的3 700个波长点处流量值。 C1层设有10个大小为1×3步长为1的卷积核。 S1层采用最大池化方法, 采样窗口大小为1×2, 无重叠采样, 生成10张特征图, 与C1层特征图数量相同, 大小为C1层特征图的二分之一。 C2层设有20个大小为1×2步长为1的卷积核, 输出20张特征图。 S2层对C2层20张特征图下采样输出20张特征图。 C3层设有30个大小为1×3步长为1的卷积核, 输出30张特征图。 S3层对C3层30张特征图下采样输出30张特征图。 全连接层神经元个数设置为50, 每个神经元都与S3层的所有神经元连接。 输出层神经元个数设置为2, 输出分类结果。 卷积层激活函数采用ReLU函数, 输出层激活函数采用softmax函数。 对比算法SVM类型为C-SVC, 核函数采用径向基函数, BP算法设有3个隐藏层, 每个隐藏层设有20, 40和20个神经元。 数据集分为训练数据和测试数据, 将训练数据的40%, 60%, 80%和100%作为5个训练集, 测试数据作为测试集。 分别将5个训练集放入模型中训练, 共迭代8 000次, 每次训练好的模型用测试集进行验证。 对比实验采用100%的训练数据作为训练集, 测试数据作为测试集。 采用精确率、 召回率、 F-score、 准确率四个评价指标评价模型性能, 对实验结果进行详细分析。 分析结果表明CNN算法可对K和F型恒星光谱快速自动分类和筛选, 训练集数据量越大, 模型泛化能力越强, 分类准确率越高。 对比实验结果表明采用CNN算法对K和F型恒星光谱自动分类较传统机器学习SVM和BP算法自动分类准确率更高。

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。

白矮主序双星的光谱特征是决定其类型的关键因素, 如何有效提取恒星光谱的特征是亟待解决的问题。 提出一种新的方法, 通过构建模型捕获恒星光谱数据的特征, 对SDSS-DR10海量光谱进行自动分类。 径向基神经网络作为一种有效的计算模型, 在数值逼近和目标分类上均有较好的表现效果, 但由于目前神经网络超参数的确定大多数依赖于实验经验, 很大程度上制约了算法能力的发挥。 在分析白矮主序双星光谱数据的高维分布特征的基础上, 提出一种基于径向基神经网络的白矮主序双星自动分类模型, 并以白矮主序双星的光谱特征为导向, 针对恒星光谱提出了中心准则和宽度准则以确定神经网络的超参数, 大幅度提高了模型的准确度。 实验对分类模型进行数值训练并使用训练的模型对SDSS-DR10光谱数据进行白矮主序双星的自动分类, 共发现4 631个白矮主序双星, 通过Simbad, NED和Google交叉验证后发现其中有25个是未予以收录的新候选体。 实验结果验证了该模型在大规模白矮主序双星自动分类任务中的有效性, 新发现的白矮主序双星也为特殊天体的进一步研究补充了有效数据。

由人工在生产线上进行汽车表面涂装的瑕疵检测和分类存在效率低、人工成本高等缺点。随着汽车生产自动化程度的提高, 迫切需要对检测过程实现自动化和智能化, 提出一种基于机器视觉方法, 利用图像纹理特征实现对汽车涂装瑕疵检测和分类。首先采用提取瑕疵局部二值模式(LBP)特征谱对汽车表面的喷涂瑕疵进行检测, 以克服背景光照和方向性对瑕疵特征检测的影响, 再利用Adaboost算法对选取的样本进行训练, 得到瑕疵种类分类器, 完成对检测结果的分类。通过实验所提出的方法, 对所选的几种典型瑕疵进行检测的有效率达到91%以上, 分类正确率平均达到82%以上, 单张图片检测时间控制在60 ms以下。

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。