利用融合数据分布特征的模糊双支持向量机对恒星光谱分类

论文摘要

恒星光谱分类是天文学研究的一个热点问题。随着观测光谱数量的急剧增加,传统的人工分类无法满足实际需求,急需利用自动化技术,特别是数据挖掘算法来对恒星光谱进行自动分类。关联规则、神经网络、自组织网络等数据挖掘算法已广泛应用于恒星光谱分类。其中,支持向量机（SVM）分类能力突出,被广泛应用于恒星光谱分类。该方法试图在两类样本之间找到一个最优分类面将两类分开。该方法具有较高的时间复杂度,计算效率有限。双支持向量机（TWSVM）的出现有效地解决了SVM面临的效率问题。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TWSVM的计算效率较之传统SVM提高近4倍,因此,自TWSVM提出后便受到研究人员的持续关注。但上述方法在分类决策时,一方面没有考虑数据的分布特征,另一方面较易受噪声点和奇异点的影响,分类效率难以显著提升。鉴于此,在双支持向量机的基础上,提出融合数据分布特征的模糊双支持向量机（TWSVM-SDP）。该方法引入线性判别分析（LDA）的类间离散度和类内离散度,用以表征光谱数据的分布性状;引入模糊隶属度函数用以降低噪声点和奇异点对分类结果的影响。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TWSVM等传统分类方法相比,融合数据分布特征的模糊双支持向量机TWSVM-SDP具有更优的分类能力。该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。接下来将利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。

论文目录

• 引 言
• 1 背景知识
•   1.1 支持向量机
•   1.2 双支持向量机
•   1.3 LDA
• 2 融合数据分布特征的模糊双支持向量机
• 3 实验分析
• 4 结 论

文章来源

类型: 期刊论文

作者: 刘忠宝,秦振涛,罗学刚,周方晓,张靖

关键词: 恒星光谱,分类,数据分布特征,模糊隶属度,双支持向量机

来源: 光谱学与光谱分析 2019年04期

年度: 2019

分类: 基础科学,信息科技

专业: 天文学,自动化技术

单位: 攀枝花学院数学与计算机学院,中北大学软件学院

基金: 国家自然科学基金项目(U1731128,11803080),山西省自然科学基金项目(201601D011042),山西省高等学校创新人才支持计划(2016),中北大学杰出青年基金支持计划(2017)资助

分类号: TP181;P152

页码: 1307-1311

总页数: 5

文件大小: 148K

下载量: 165