首页 | 本学科首页   官方微博 | 高级检索  
     

基于局部均值的K-近质心近邻光谱分类
引用本文:屠良平,魏会明,王志衡,韦鹏,罗阿理,赵永恒. 基于局部均值的K-近质心近邻光谱分类[J]. 光谱学与光谱分析, 2015, 0(4): 1103-1106
作者姓名:屠良平  魏会明  王志衡  韦鹏  罗阿理  赵永恒
作者单位:1. 辽宁科技大学理学院,辽宁 鞍山 114051; 中国科学院光学天文重点实验室,国家天文台,北京 100012
2. 辽宁科技大学理学院,辽宁 鞍山,114051
3. 河南理工大学计算机科学与技术学院,河南 焦作,454000
4. 中国科学院光学天文重点实验室,国家天文台,北京 100012
基金项目:国家自然科学基金项目(61202315,61273248);辽宁省教育厅项目(L2012098)资助
摘    要: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。

关 键 词:光谱分类  K-近邻  近质心近邻  K-近质心近邻

Spectra Classification Based on Local Mean-Based K-Nearest Centroid Neighbor Method
TU Liang-ping , WEI Hui-ming , WANG Zhi-heng , WEI Peng , LUO A-li , ZHAO Yong-heng. Spectra Classification Based on Local Mean-Based K-Nearest Centroid Neighbor Method[J]. Spectroscopy and Spectral Analysis, 2015, 0(4): 1103-1106
Authors:TU Liang-ping    WEI Hui-ming    WANG Zhi-heng    WEI Peng    LUO A-li    ZHAO Yong-heng
Affiliation:TU Liang-ping;WEI Hui-ming;WANG Zhi-heng;WEI Peng;LUO A-li;ZHAO Yong-heng;School of Science,University of Science and Technology Liaoning;Key Laboratory of Optical Astronomy,National Astronomical Observatories,Chinese Academy of Sciences;School of Computer Science and Technology,Henan Polytechnic University;
Abstract:
Keywords:Spectra classification  K-nearest neighbor  Nearest centroid neighborhood  K-nearest centroid neighbor
本文献已被 CNKI 万方数据 等数据库收录!
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号