TDSC-Net:一种基于注意力机制与特征融合的二维恒星光谱分类模型

1

作者 李荣 曹冠龙 +4 位作者 蒲源 邱波 王晓敏 闫静 王坤 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2024年第7期1968-1973,共6页

面对信噪比较低的天体,传统一维光谱的分类效果很差。因此,从二维光谱出发,提出了结合注意力机制的特征融合模型TDSC-Net(two-dimensional spectra classification network)用于恒星分类。TDSC-Net通过完全相同的特征提取层分别对恒星... 面对信噪比较低的天体,传统一维光谱的分类效果很差。因此,从二维光谱出发,提出了结合注意力机制的特征融合模型TDSC-Net(two-dimensional spectra classification network)用于恒星分类。TDSC-Net通过完全相同的特征提取层分别对恒星蓝端和红端的二维光谱图像进行特征提取,之后针对这些特征进行融合,然后进行分类。本文实验中的恒星光谱数据选自LAMOST(the large sky area multi-object fiber spectroscopic telescope)数据库,预处理采用Z-score进行光谱归一化,以减少由于光谱流量值差别大造成的模型收敛困难问题。使用精确率(Precision)、召回率(Recall)、F1-score和准确率(Accuracy)四个指标来评估模型性能。实验包括:第一部分利用TDSC-Net进行A、F、G、K、M型恒星分类,以验证利用二维光谱对恒星多分类的可靠性;第二部分将二维光谱按照不同的信噪比区间进行分类,以探究信噪比对分类准确率的影响。第一部分的结果表明,进行五分类总的准确率达到84.3%。其中,A、F、G、K、M各自的分类精度分别为87.0%,84.6%,81.2%,87.4%,89.7%,均优于自行抽谱后的一维光谱分类结果。第二部分的结果表明,即使在SNR<30的低信噪比区间,二维光谱分类准确率仍然可以达到78.9%;而当SNR>30之后,信噪比对光谱分类的影响就不明显了。由此证明了低信噪比时使用二维光谱分类的重要性以及TDSC-Net对恒星光谱分类的有效性。 展开更多

关键词 恒星分类 卷积神经网络 注意力机制 Two-dimensional spectra classification network

在线阅读 下载PDF 职称材料

基于小波神经网络的光谱数据压缩与分类研究 被引量：8

2

作者 张永胜 郁可 《计算机研究与发展》 EI CSCD 北大核心 1999年第8期973-977,共5页

文中介绍了一种基于小波分析而构造的神经网络模型——小波神经网络．利用它并适当选取网络结构和小波基，实现了对化学物质红外光谱数据的压缩表达和分类．实验表明，网络在大幅度压缩数据的同时能很好地恢复原始光谱、较准确地反映吸... 文中介绍了一种基于小波分析而构造的神经网络模型——小波神经网络．利用它并适当选取网络结构和小波基，实现了对化学物质红外光谱数据的压缩表达和分类．实验表明，网络在大幅度压缩数据的同时能很好地恢复原始光谱、较准确地反映吸收峰的位置和强度．在分类方面它比其它网络具有更高的分辨率和特征提取能力．通过与ＢＰ网络的训练结果对比，小波神经网络具有自适应性强、收敛速度快及可屏蔽随机噪声等优点，特别适用于非平稳、非线性信号的分析研究．因此，小波神经网络在光谱处理方面有着较好的应用前景和优越性． 展开更多

关键词 小波神经网络 数据压缩 分类 红外光谱 光谱

在线阅读 下载PDF 职称材料

基于图谱分解和概率神经网络的图像分类 被引量：3

3

作者 汤进 张春燕 罗斌 《中国图象图形学报》 CSCD 北大核心 2006年第5期630-634,共5页

为了准确地对不同学习样本数的图像进行分类,首先讨论了对属于不同类别的图像序列如何进行正确有监督分类的问题,由于解决这类问题首先要选取适合图像分类的图像特征作为分类的依据,为此先用图像角点来构成Delaunay图,然后将由Delaunay... 为了准确地对不同学习样本数的图像进行分类,首先讨论了对属于不同类别的图像序列如何进行正确有监督分类的问题,由于解决这类问题首先要选取适合图像分类的图像特征作为分类的依据,为此先用图像角点来构成Delaunay图,然后将由Delaunay图的谱特征形成的分类特征矢量作为分类的依据;其次,由于分类器的选取也直接影响分类结果,为此采用了学习效率高的概率神经网络分类器来进行分类。经过大量分类实验表明,图谱特征很好地保持了图像的结构特征,是理想的图像分类特征;经过与其他相关分类器的分类比较实验表明,基于概率神经网络的分类器可以准确地进行图像分类;通过不同学习样本数的比较,证实了概率神经网络在进行图像分类时,对于学习样本数并不敏感,并具有一定稳定性。 展开更多

关键词 图谱 图像分类 概率神经网络

在线阅读 下载PDF 职称材料

子波神经网络在光谱数据压缩与分类中的应用 被引量：1

4

作者 郁可 张永胜 姜德生 《红外与毫米波学报》 SCIE EI CAS CSCD 北大核心 1998年第3期215-220,共6页

利用子波神经网络并适当选取网络结构和子波基，实现了对化学物质红外光谱数据的压缩表达和分类，取得了令人满意的效果。

关键词 子波神经网络 红外光谱 数据压缩 分类

在线阅读 下载PDF 职称材料

基于深度学习的高维光谱分类识别研究 被引量：1

5

作者 许婷婷 张静敏 +1 位作者 杜利婷 周卫红 《云南民族大学学报（自然科学版）》 CAS 2019年第3期293-296,共4页

光谱分类识别一直是天文学家研究中的基础问题,也是LAMOST巡天计划的一项重要任务.从LAMOST发布的海量天体光谱数据库中选取F、G、K 3种型星光谱数据,采用深度学习模型进行分类识别研究和对比实验研究,解决原有方法对光谱分类可信度低... 光谱分类识别一直是天文学家研究中的基础问题,也是LAMOST巡天计划的一项重要任务.从LAMOST发布的海量天体光谱数据库中选取F、G、K 3种型星光谱数据,采用深度学习模型进行分类识别研究和对比实验研究,解决原有方法对光谱分类可信度低的问题.实验结果证明:对于F、G、K 3种型星的分类精确度问题,深度学习方法明显优于原有其他分类方法. 展开更多

关键词 高维光谱 特征学习 分类识别 深度学习 深度信念网络

在线阅读 下载PDF 职称材料

基于DBN,SVM和BP神经网络的光谱分类比较 被引量：8

6

作者 李俊峰 汪月乐 +1 位作者 胡升 何慧灵 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2016年第10期3261-3264,共4页

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(S... 恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。 展开更多

关键词 深度置信网络 BP神经网络 SVM支持向量机 光谱自动

在线阅读 下载PDF 职称材料

使用SOFM方法进行恒星光谱自动分类 被引量：3

7

作者 薛建桥 李启斌 赵永恒 《天体物理学报》 CSCD 2000年第4期437-450,共14页

ＳＯＦＭ是人工神经网络的非监督学习算法，可以将数据组织到一个特征图上，而保存 大多数原始数据空间的拓扑特征．使用这种方法进行恒星光谱自动分类，分类结果与哈佛 序列十分相似．ＳＯＦＭ方法应该是进行大数量恒星光谱样本在线分... ＳＯＦＭ是人工神经网络的非监督学习算法，可以将数据组织到一个特征图上，而保存 大多数原始数据空间的拓扑特征．使用这种方法进行恒星光谱自动分类，分类结果与哈佛 序列十分相似．ＳＯＦＭ方法应该是进行大数量恒星光谱样本在线分类的有用方法，它能 够自动执行，因此可用于处理大数量天体光谱． 展开更多

关键词 恒星光谱 光谱分类 数据处理 神经网络 SOFM法

原文传递

水质痕量石油类污染物分类识别方法 被引量：3

8

作者 苑媛媛 王书涛 +1 位作者 孔德明 潘钊 《光子学报》 EI CAS CSCD 北大核心 2017年第11期161-167,共7页

基于水质中石油类污染物的强荧光特性,构建了荧光检测实验系统,分别以50种不同浓度的汽油、柴油、煤油和机油的水溶液为测量样本,分析了其荧光特性.由于四者荧光峰位置相似,很难直接识别,提出了一种运用神经网络进行模式识别的新方法,... 基于水质中石油类污染物的强荧光特性,构建了荧光检测实验系统,分别以50种不同浓度的汽油、柴油、煤油和机油的水溶液为测量样本,分析了其荧光特性.由于四者荧光峰位置相似,很难直接识别,提出了一种运用神经网络进行模式识别的新方法,将主成分分析法(PCA)和可拓神经网络(ENN)相结合对输入矢量进行降维并进行分类识别.结果表明,该方法与ENN和PCA-BP算法相比,迭代数由265降低到60;识别离差平方和由0.236 5降到0.014 5;识别效率由72.50%提升到96.25%;识别精度可达10-6级别.PCA-ENN算法具有较高的识别精度和识别效率,同时也可用于水质中其它痕量有机物质的光谱识别. 展开更多

关键词 石油类污染物 可拓神经网络 主成分分析 三维荧光光谱 分类识别

在线阅读 下载PDF 职称材料

基于卷积神经网络的恒星光谱自动分类方法 被引量：12

9

作者 石超君 邱波 +1 位作者 周亚同 段福庆 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2019年第4期1312-1316,共5页

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... 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&#x00C5;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。 展开更多

关键词 恒星光谱 自动分类 卷积神经网络 交叉验证 评价指标

在线阅读 下载PDF 职称材料

利用高性能混合深度学习网络提升光谱分类性能研究 被引量：3

10

作者 刘忠宝 王杰 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2022年第3期699-703,共5页

随着观测设备的不断完善,人们获得的光谱数量持续上升,如何进一步提高光谱自动分类的性能引起广泛关注。为此,以恒星光谱为研究对象,在近年来新出现的BERT和CNN等深度学习模型的基础上,试图融合了BERT模型和CNN模型在特征提取和智能分... 随着观测设备的不断完善,人们获得的光谱数量持续上升,如何进一步提高光谱自动分类的性能引起广泛关注。为此,以恒星光谱为研究对象,在近年来新出现的BERT和CNN等深度学习模型的基础上,试图融合了BERT模型和CNN模型在特征提取和智能分类方面的优势,提出高性能混合深度学习网络BERT-CNN,用以探讨该模型在提升光谱分类性能方面的有效性。该模型首先将恒星光谱数据输入BERT模型;然后,利用BERT模型中的Transformer进行特征提取,得到特征向量;最后,将特征向量输入CNN模型,通过softmax分类器获得分类结果。该实验的编程语言为Python3.7,引入TensorFlow1.14作为深度学习模型框架,并以SDSS DR10中的K型、 F型、 G型的恒星光谱数据作为实验数据集。使用min-max方法对恒星光谱数据做归一化处理,通过与SVM、 CNN等分类模型的比较来验证BERT-CNN混合模型在恒星光谱分类中的有效性。引入网格搜索和10折交叉验证来获得模型的实验参数。实验包括两部分:一是利用精准率P、召回率R、调和平均值F1等指标对BERT-CNN模型的恒星光谱分类性能进行评价。当训练数据集占比实验数据集的30%~70%时,BERT-CNN模型处理K, F和G型恒星光谱数据集的精准率P、召回率R、调和平均值F1随训练样本数的增加而提升。在相同规模的训练样本条件下,BERT-CNN模型在K型恒星光谱数据集上的P,R和F1值均最高,其次是G型恒星光谱数据集,F型恒星光谱数据集上的分类效果较差。二是利用准确率对SVM, CNN和BERT-CNN等模型的对比实验结果进行评价。对K, F和G型恒星光谱数据集上,BERT-CNN模型分类效果最优,其次是CNN模型,SVM模型分类效果较差。表明,BERT-CNN模型有助于提升光谱分类性能。 展开更多

关键词 光谱分类 深度学习网络 BERT模型 CNN模型

在线阅读 下载PDF 职称材料

基于DenseNet的天体光谱分类方法 被引量：4

11

作者 王奇勋 赵刚 范舟 《天文研究与技术》 CSCD 2020年第1期85-95,共11页

天体光谱数据的智能处理正由传统机器学习方法逐步转向深度学习,主要采用基于计算机视觉的技术手段。基于计算机视觉领域广泛应用的DenseNet网络结构,针对光谱数据进行修改,建立了适用于光谱数据的一维卷积神经网络模型,解决天体光谱数... 天体光谱数据的智能处理正由传统机器学习方法逐步转向深度学习,主要采用基于计算机视觉的技术手段。基于计算机视觉领域广泛应用的DenseNet网络结构,针对光谱数据进行修改,建立了适用于光谱数据的一维卷积神经网络模型,解决天体光谱数据分类任务。在验证数据集上,恒星、星系、类星体的F1分数达到了0.9987、0.9127、0.9147,高于传统的神经网络。光谱分类关注区域的可视化结果表明,本文模型可以学习到各类天体对应的特征谱线,具有较强的可解释性。本文方法被用于阿里云天池天文数据挖掘大赛——天体光谱智能分类,并在843支参赛队伍的3次数据评比中获得了2次第一、1次第三的成绩,证明了该模型在保证分类精度的同时,具有极强的鲁棒性、泛化性,适用于光谱的自动分类。 展开更多

关键词 卷积神经网络 光谱分类 数据挖掘

在线阅读 下载PDF 职称材料

基于半监督模式的恒星光谱自动分类方法 被引量：1

12

作者 姜霞 邱波 +1 位作者 王林倩 郭小雨 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2023年第6期1875-1880,共6页

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... 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1×3700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1×3700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。 展开更多

关键词 恒星光谱 自动分类 卷积神经网络 生成对抗网络 半监督模式

在线阅读 下载PDF 职称材料

基于CGAN增强的新冠病毒拉曼光谱深度学习分类研究 被引量：1

13

作者 张印 冯程成 +2 位作者 夏启 胡挺 苑立波 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2024年第8期2273-2278,共6页

新型冠状病毒的出现给全球经济、公共安全等方面带来严重损失。如今新型冠状病毒仍然在全球肆虐,加强病毒的检测和诊断是一项急需解决的工作,快速且准确地诊断新冠病毒对疫情防控尤为重要。随着技术的发展,深度学习在检测识别方面有了... 新型冠状病毒的出现给全球经济、公共安全等方面带来严重损失。如今新型冠状病毒仍然在全球肆虐,加强病毒的检测和诊断是一项急需解决的工作,快速且准确地诊断新冠病毒对疫情防控尤为重要。随着技术的发展,深度学习在检测识别方面有了许多突破性进展,吸引着研究者的广泛关注。然而深度学习需要大量数据进行模型训练,而新冠病毒的拉曼光谱采集过程受到器件和环境等诸多问题的限制,导致获取大批量的数据非常困难。有限的训练数据会阻碍深度学习模型的训练,导致深度学习模型训练受阻,精度有限,以至于深度学习模型在真正的检测中表现不佳。为解决这一问题,该研究引入条件生成对抗网络,自动提取拉曼光谱数据特征,通过学习生成新的光谱来完成新冠病毒的拉曼光谱数据扩充工作。这些方法能有效增加训练集数量从而提高模型准确性。利用数据增强后的拉曼光谱数据和深度神经网络以及传统的机器学习方法逻辑回归、决策树、随机森林、支持向量机、KNN算法,完成新冠病毒的诊断。实验结果表明,深度神经网络对是否感染新型冠状病毒的预测准确率达到98%,高于传统机器学习算法,证明了深度学习模型在新冠病毒拉曼光谱检测中的优越性。该研究还对比了增强前后的数据集在不同模型中的表现,证明了数据增强的作用。与传统的检测方法相比,该方法具有无损、快速、准确等特点,为生物医学检测新冠病毒提供了一种新的思路。该方法可以为快速准确检测新冠病毒提供辅助,所采用的方法不仅可以应用于新冠病毒检测,还可以推广到其他疾病的诊断中,具有一定的实际应用价值。 展开更多

关键词 新型冠状病毒诊断 神经网络 拉曼光谱 数据增强 定性分类

在线阅读 下载PDF 职称材料

基于主成分分析和反向传播神经网络的肝癌细胞后向散射显微光谱判别 被引量：10

14

作者 杨静 王成 +2 位作者 谢成颖 翁小阜 魏勋斌 《生物医学工程学杂志》 EI CAS CSCD 北大核心 2017年第2期246-252,共7页

为了实现血液中肝癌细胞的自动识别,本文基于主成分分析(PCA)和反向传播(BP)神经网络算法对三种细胞(小鼠的白细胞、红细胞和人体肝癌细胞Hep G2)进行了识别研究。利用光纤共聚焦后向散射(FCBS)光谱仪获取光谱数据后进行PCA,选取前两个... 为了实现血液中肝癌细胞的自动识别,本文基于主成分分析(PCA)和反向传播(BP)神经网络算法对三种细胞(小鼠的白细胞、红细胞和人体肝癌细胞Hep G2)进行了识别研究。利用光纤共聚焦后向散射(FCBS)光谱仪获取光谱数据后进行PCA,选取前两个主成分作为光谱的特征,建立一个具有2个输入层节点、11个隐层节点、3个输出节点的神经网络模式识别模型。选取195例对象数据训练该模型,随机抽取150组数据作为训练集,45组数据作为测试集,验证模型给出的细胞是否识别准确。结果显示三种细胞的整体识别准确率在90%以上,平均相对偏差只有4.36%。实验结果预示采用PCA+BP算法能够从红细胞和白细胞中自动识别肝癌细胞,这将为研究肝癌的转移与肝癌的生物代谢特性提供有利的工具。 展开更多

关键词 显微光谱 肝癌细胞 主成分分析法 反向传播神经网络 细胞识别

原文传递