白矮主序双星光谱的卷积特征提取.PDF

白矮主序双星光谱的卷积特征提取 郭格霖，王文玉，姜斌* 山东大学 （威海）机电与信息工程学院, 山东 威海 264209 摘要： 通过卷积运算提取白矮主序双星的光谱特征是提高识别精度的有效手段。本文通过设 计一维卷积神经网络，以判别学习的方式从大量混合光谱中拟合出具有稳定分布的 12 个卷积 核，有效提取白矮主序双星的卷积特征。通过引入相对松弛的光谱类别先验分布，提出反贝叶 斯学习策略以解决由于光谱抽样有偏带来的问题，显著提高识别精度。通过比较光谱在不同信 噪比下的交叉熵测试误差，分析卷积特征的提取过程对光谱信噪比的鲁棒性。实验发现，基于 反贝叶斯学习策略的一维卷积神经网络在白矮主序双星的识别任务中达到 99.0(±0.3) 的准确 率，超过了经典的 PCA+SVM 模型。卷积特征谱的池化过程以降低光谱分辨率的形式缓解了 光谱噪声对识别精度的影响。当信噪比小于3 时，必须通过增加模型在光谱上的迭代次数以形 成稳定的卷积核；当信噪比大于6 时，光谱卷积特征的稳定性显著上升，信噪比对于模型识别 精度带来的影响可以忽略。 关键词 白矮主序双星；一维卷积神经网络；反贝叶斯学习策略；信噪比 中图分类号：文献标识码： 引言 白矮-主序双星(WDMS)是银河系中常见 同类型天体(quasar ，star，galaxy) 的光谱分类。 的致密双星系统，包含一颗白矮星主星和一 但由于传统的CNN 不适用于一维光谱数据， 颗小质量主序星伴星，对研究密近致密双星 Pavel 采取了将一维光谱折叠成二维向量的方 的演化理论有重要作用。 式。该方法保证了模型的可用性，但存在准 对尚未发生物质交换或形成吸积盘的 确率偏低，卷积特征缺乏功能性解释等缺点。 WDMS 双星而言，可近似认为双星之间没有 为解决上述问题，本文改变了传统CNN 或者仅有很弱的相互作用，在光学波段光谱 的拓扑结构，实现了用于直接处理光谱数据 上表现为：蓝端是白矮星特征，红端是小质 的一维卷积神经网络(1-D CNN) ；针对WDMS 量主序星特征。通过使用具有特定分布的核 光谱抽样有偏问题，提出反贝叶斯学习策略 向量对光谱进行卷积运算能够有效提取不同 用于模型训练，提高了识别准确率；对光谱 波段的局部流量特征，实现不同类型光谱的 信噪比进行分组实验，探究模型对不同光谱 高效识别。 信噪比的敏感性和提取特征的鲁棒性。 在针对WDMS 自动化识别的研究中，基 于径向基神经网络(RBF) 的系统在大规模挖 掘任务中具有较好的表现，发现了25 颗新的 1 卷积神经网络 [1] 候选体 。然而作为一种浅层网络，RBF 难以 有效提取光谱的层次化特征。2014 年，Pavel[2] 经典的卷积神经网络被设计并用于二维、 首次引入基于可学习核的多层卷积神经网络 三维图像的识别，具有出色的特征提取和特 (Convolutional Neural Network, CNN)进行不 [3-5] 征组合能力 。在针对WDMS 光谱的实验 ___________________________________________________ 基金项目：国家自然科学基金, 山东省自然科学基金 (ZR2014AM015)，山东大学基本科研业务费项目 (2015ZZXM002)资助 作者简介： 中发现，原始光谱在不同特征空间的表征通 由于WDMS 光谱的数量相对稀少，信噪比较 过隐含层的形式进行组织，特别是在深度结 低，并且负样例的抽样有偏，使得模型在挖 构的支撑下，不同阶段的隐含层能够提取光 掘任务中反映出泛化能力(generalization)低 谱中的低水平特征（低分辨率谱、flux 突变 下的缺点。为解决光谱的数据特殊性为模型 [6] 波段等）并组合形成高水平的