多任务Lasso回归法在恒星光谱物理参量估计中的应用.pdfVIP

第56卷 第1期 天 文 学 报 V01．56No．1 2015年1月 ACTA ASTRON0MICA SINICA Jan．，2015 doi：10．15940／j．cnki．0001—5245．2015．01．004 多任务Lasso回归法在恒星光谱物理参 量估计中的应用木 常丽娜 张培爱十 (暨南大学信息科学技术学院广州510632) 捅要 多任务学习方法在机器学习、计算机视觉、人工智能领域已得到广泛关注，利用 任务间的相关性，将多个任务同时学习的效果优于每个任务单独学习的情况．采用多任务 Lasso回归法fMulti—taskLassoRegression)用于恒星光谱物理参量的估计，不仅可以获 取不同物理参量间的共同的特征信息，而且也可以很好地保留不同物理参量的特有的补 充信息．使用恒星大气模拟模型合成光谱库ELODIE中的光谱数据和美国大型巡天项 目 Sloan发布的SDSS实测光谱数据进行实验，模型估算精度优于相关文献中的方法，特别 是对重力加速度 (1gg)和化学丰度 (F【e／H])的估计．实验中通过改变光谱的分辨率，施加 不同信噪比 (SNR)的噪声，来说明模型的稳定性强．结果表明，模型精度受光谱分辨率和 噪声的影响，但噪声对其影响更大，可见，多任务Lasso回归法不仅操作简便，稳定性强， 而且也提高了模型的整体预测精度． 关键词 恒星：基本参数，方法：数据分析，方法：统计，方法：其它诸多方面 中图分类号：P144；文献标识码：A 1 引言 现在 的大 口径兼大视场望远镜，如我国的郭守敬望远镜 [1--2]，美 国的Sloan数字 巡天望远镜 [3-4]等，可以得到大量的光谱数据．如何在海量光谱数据中测量出恒星光 谱 的物理参量也成为了天体光谱数据处理中最基本、最重要的内容．恒星光谱物理参 量主要有表面有效温度 (ff)、重力加速度 (Igg)与化学丰度 ([Fe／H])．目前，人们研 究提出了多种关于恒星光谱物理参量 自动估计的方法，主要有人工神经网络fArtificial NeuralNetwork，ANN)算法和最近邻算法 fMinimumDistanceMethod，MDM)．如由 Bailer—Jones设计的820：5：5：1结构的ANN 5【】用于恒星表面有效温度的预测，2000年 又开发了双隐层、多感知器的前馈ANN系统；Fuentes等的K一近邻算法 [6】、Allende的 加权平均算法 [7】、Zhang等的变窗宽非参数回归法 IS_9】等都是MDM 的变形． 2014．05．16收到原稿，2014—08—06收到修改稿 教育部人文社会科学研究一般项目(11YJAZH118)资助 tqzhzhang@163 ． com 1期 常丽娜等：多任务Lasso回归法在恒星光谱物理参量估计中的应用 27 由于光谱数据海量的特点，以及光谱在传输、接收过程中往往受到大量噪声的干 扰，例如光子噪声、天光线以及设备的噪声等，影响了最终恒星光谱物理参量的估计 效果．在进行模型预测前，要对高维数据降维、剔除噪声干扰，相关的方法有主成分分 析 fPCA)、滤波法等．Tibshirani于1996年提出的Lasso[1o】fLeastAbsoluteShrinkage SelectionandOperator)算法 由于其计算速度快、精度高，备受青睐．恒星光谱包含 了恒星中物理参量的信息，但 目前许多模型分开考虑恒星光谱物理参量，失去了物理 参量 问潜在 的联系．近年来，在机器学习、计算机视觉、人工智能领域，多任务学习 fMulti—taskLearning，MTL)方法引起了众多学者的研究兴趣，目的是获取不同任务间 的潜在关系，将多个相关任务同时学习，进而充分利用任务间丰富的信息．这样的学习 方法有利于任务的互相学习，更能突显它能提高预测模型的预测效果和泛化性能的优 势．比如，Evgeniou等 [11]使用多任务支持向量