基于深度学习技术的恒星大气物理参数自动估计-天文学报.pdfVIP

第卷第期 天 文 学 报 年月 基于深度学习技术的恒星大气物理参数 自动估计 潘儒扬 李乡儒 华南师范大学数学科学学院广州 摘要 深度学习是当前机器学习、模式识别和人工智能领域中的一项热点研究技术 非 常适用于处理复杂的大规模数据 基于深度学习理论构建了一个层的栈式自编码深度 神经网络 对恒星大气物理参数进行自动估计 网络各层的节点数分别为 使用美国大型巡天项目发布的 实测光谱以及 由 的 模型得到的理论光谱进行 了实验验证 对有效温度eff 、表面重力加速度 和金属丰度个物理参数进 行了自动估计 结果表明 栈式自编码深度神经网络的估计精度较好 其中在数据上 的平均绝对误差分别为 eff eff 2 在理论数据上的平均绝对误差分别是 eff eff 2 关键词 恒星 基本参数 恒星 大气 恒星 丰度 方法 数据分析 方法 统计 中图分类号 文献标识码 引言 [1] [2–4] [5–7] 研究银河系中恒星性质是天体物理学的一个重要问题 , LAMOST 和Sloan 等大规模巡天望远镜可以从银河系中观测到海量的恒星光谱数据, 如何从这些海量光谱 数据中自动估计出恒星大气物理参数对于研究恒星的性质具有重要意义. [8] 深度学习 是机器学习、模式识别和人工智能领域中的一项热点研究技术. 特别 是, 近年受到Google、百度、微软、Facebook等信息技术企业的大力推动, 深度学习技 术取得了长足的进展, 并成功地应用在图像识别、视频分析、自然语言处理、电子商务 数据分析和语音识别等领域. 深度学习在非线性关系探索和表示方面表现突出, 适合处理复杂的大数据. 恒星光 谱与恒星大气物理参数之间存在着高度非线性关系, 并且实测光谱是具有大量噪声的高 维数据. 因此, 本文工作研究了深度学习技术在恒星大气物理参数估计中的应用. 收到原稿 收到修改稿 国家自然科学基金项目 、国家自然科学基金委员会 中国科学院天文联合 基金项目和广东省自然科学基金项目 资助 天 文 学 报 卷 深度学习 深度学习技术包括以下3种基本类型: 栈式自编码、置信网和卷积神经网络. 本文研 究了栈式自编码在恒星大气物理参数估计中的应用, 下文对该类型深度学习方法做进一 步介绍. 栈式自编码学习方法又称为栈式自编码神经网络, 实际上是一个多层前馈神经网 络(Feedforward Neural Network). 之所以称之为栈式自编码深度神经网络, 是因为训练 这个多层前馈神经网络, 需要使用栈式自编码(Stacked Autoencoder)算法对它进行预学 习(Pre-training), 再结合线性回归网络做微调(Fine-tuning). 下面分别介绍多层前馈神 经网络、预学习以及微调. 多层前馈神经网络 2.1.1 多层前馈神经网络的网络结构 多层前馈神经网络的特点是数据从网络的输入层向输出层单向流动, 一个共 有层(包含1个输入层, 1个输出层和 2个隐层)的多层前馈神