排序方式: 共有65条查询结果,搜索用时 31 毫秒
1.
恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。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。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。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TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,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。该工作将借鉴海量数据随机采样思想,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。 相似文献
2.
通过Sonogashira偶联等反应,合成了三嵌段化合物9,10-双-(对-(甲氧基二缩三乙二醇基)苯基乙炔基)蒽,通过1H NMR和基质辅助激光解吸电离时间飞行质谱(MALDI-TOF-MS)对其结构进行了表征。利用差示扫描量热仪(DSC)、偏光显微镜(POM)及小角X射线散射仪(SAXS)等技术手段对其本体自组装行为进行了研究,结果表明,化合物在固态相自组装成近晶A相(SmA相)。光谱分析表明,该化合物继承了二取代蒽类发光材料具有高荧光量子产率(Φf)的特点,是一种性能良好的光致发光材料。 相似文献
3.
天体光谱包含着许多重要的关于天体的物理和化学信息,如天体表面的有效温度、重力加速度以及化学丰度等,天体光谱的处理和分析对天文研究具有重要的科学意义。一些大型巡天计划的实施(如SDSS,LAMOST等)使我们获得了海量的天文光谱数据,因此天文光谱数据的自动分类成为重要的科学研究课题,然而面对如此海量的光谱数据,一些传统的光谱自动分类方法已经不适用,迫切需要寻找高效率的光谱自动分类技术。研究了基于局部均值的K-近质心近邻(local mean-based K-nearest centroid neighbor,LMKNCN)算法在恒星(Star)、星系(Galaxy)和类星体(Quasar,QSO)的光谱分类中的应用。LMKNCN算法的基本思想是根据近质心近邻原则,从每一类训练样本集中为待测样本点选取k个近质心近邻点,然后根据每一类中所选取的k个近质心近邻点的均值点到待测样本点x的距离来判别x的所属类别。针对美国SDSS-DR8的天体光谱数据,对比了K-近邻、K-近质心近邻、LMKNCN三种算法在恒星、星系和类星体的光谱分类中所表现的性能,结果表明三种方法中,LMKNCN算法对这三种光谱的识别率高于其他两种算法或者与其相当,而且其平均分类正确率高于另外两种算法,特别是在类星体的识别率上表现的更好。表明了该算法对天文光谱大数据的快速处理和有效利用具有重要的意义。 相似文献
4.
5.
该文从1+1维的孤子方程出发,构造出一个2+1维在Lax意义下可积的方程.接着这个2+1维可积方程被分解为可解的常微分方程.随后引入超椭圆Riemann曲面和Abel-Jacobi坐标把流进行了拉直.再利用Riemannθ函数给出了这个2+1维方程的代数几何解. 相似文献
7.
超新星是宇宙学中的“标准烛光”, 其在星系中爆发的概率很低, 是一种特殊、稀少的天体, 只有在大量观测的星系数据中才有机会遇到, 而正处于爆发期的超新星会照亮其整个星系从而在观测获得的星系光谱中具有较明显的特征。但是, 目前已发现的超新星数量相对于大量的天体而言又是非常稀少的, 搜寻它们所用的计算时间成为能否进行后续观测的关键, 因此需要寻找高效率的超新星搜寻方法。对超新星候选范围进行约减的LOF算法的时间复杂度较高, 计算量大, 不适用于大规模数据集。为此通过对LOF算法进行改进, 提出了一种在海量星系光谱中快速约减超新星候范围的新方法(SKLOF)。首先对光谱数据集中离中心点近的数据点进行数据剪枝, 剪掉那些肯定不是超新星候选体的光谱数据对象, 然后利用改进的LOF算法计算剩余的光谱数据的孤立性因子并降序排列进行离群搜索, 最后获得超新星候选体的较小的搜索范围以便进行后续的证认。实验结果表明, 该算法十分有效, 不仅在精确度上有所提高, 而且相比于LOF算法还进一步缩短了算法的运行时间, 提高了算法的执行效率。 相似文献
8.
依据广义的绿色产业内涵,通过信息显著性差异与信息冗余分析定量筛选指标,建立了包括绿色生产指标层、绿色生态环境指标层、绿色消费方式指标层的大连市绿色产业评价指标体系。本文的创新与特色一是通过负载系数大小差异进行信息显著性分析,删除负载系数小、对综合评价结果影响弱的指标。克服了现有研究先进行相关分析剔除冗余指标,再利用负载系数大小差异筛选出反映信息显著性大的指标的弊端。事实上,指标间较高的相关性是计算负载系数的必要前提。因此,利用负载系数筛选指标前是不可进行指标的相关分析降低指标间的相关性的。二是通过结合专家知识经验辨析指标的实际含义,仅对反映信息可能重复的指标使用相关分析,剔除同指标层内相关系数较大的两个指标中反映指标层信息能力相对较弱的指标。克服了仅仅通过相关系数不能准确衡量指标间信息重复程度的弊端。研究结果表明,最终建立的指标体系通过25.68%的指标反映了97.09%的原始信息。通过与同类的指标体系进行对比,对大连市绿色产业评价指标体系的合理性做了进一步的分析。 相似文献
9.
针对复杂多峰函数优化,提出了一种综合学习粒子群优化算法(IELPSO)。该算法把基于超球坐标系的粒子更新和辨识、加速质量差的粒子两个策略引入基于例子学习粒子群优化算法(ELPSO)。本算法利用超球坐标操作改变粒子大小和方向,因而粒子在搜索过程中能覆盖局部极小,同时能发现最差粒子并且加速它们靠拢最优解。提出的算法与其他已有算法进行了比较,对几种典型函数的测试结果表明,IELPSO算法提高了收敛速度和精度,全局搜索能力有了显著提高。 相似文献
10.
星系红移的自动测量对进行大样本天文学研究如宇宙学大尺度结构研究具有重要意义。星系一般分为正常星系和活动星系两种,活动星系光谱一般具有较明显的发射线特征。文章提出了一种不用精确提取谱线而快速测量活动星系光谱红移的方法。该方法包括步骤:(1)对待测光谱进行去噪;(2)利用小波变换提取低频成分光谱,并用去噪后光谱减去低频谱得到残差谱;(3)计算残差谱的均方差,并保留大于阈值的波长集合(4)根据标准谱线表计算所有候选红移;(5)利用Parzen窗估计方法计算红移密度最大点,并在邻域内求均值确定最终红移。对模拟数据和SDSS DR7部分实测数据的测试表明,该方法是鲁棒的并且具有较高的红移测量正确率。 相似文献