| 基于Transformer特征提取的A型恒星光谱子型分类算法 |
| |
| 引用本文： | 李双川,屠良平,李馨,王莉莉.基于Transformer特征提取的A型恒星光谱子型分类算法[J].光谱学与光谱分析,2023(5):1575-1581. |
| |
| 作者姓名： | 李双川 屠良平 李馨 王莉莉 |
| |
| 作者单位： | 辽宁科技大学理学院 |
| |
| 基金项目： | 国家自然科学基金天文联合基金项目(U1731128)资助； |
| |
| 摘 要： | 恒星光谱分类是恒星光谱分析的重要工作之一。我国大型巡天项目LAMOST能够获得海量的恒星光谱数据，为了对海量恒星光谱数据进行高效分类，特别是对恒星光谱子型数据进行分类，需要研究快速有效的恒星光谱自动分类算法。提出一种基于Transformer特征提取的混合深度学习算法Bert+svm(简记为Besvm)实现A型恒星光谱子型的自动分类。该算法将A型恒星光谱26个线指数作为输入特征，应用Bert模型对26个线指数进行更深层次的学习，通过学习26个线指数的内在关联，进而提取到更有利于A型恒星光谱子型分类的特征。提取好的新特征被输入到分类器算法支持向量机(简记为SVM)中，进而对A型恒星光谱的三个子型A1、 A2和A3进行自动分类。此前，SVM算法在恒星光谱分类任务中已经有过应用，一些衍生的SVM算法在恒星光谱分类任务中也有较高的分类正确率。相比从前应用到恒星光谱分类任务的SVM算法，我们的混合深度学习算法受数据的信噪比影响较小，使用低信噪比数据也能有较高的分类正确率，并且所用数据量较少。通过五组实验验证了该算法的有效性和优越性：实验1用来对比选择优秀的核函数，通过光谱数据的匹配实验，最终选择...
|
| 关 键 词： | Transformer Bert SVM 光谱分类 线指数 LAMOST |
|
