基于多模态机器学习的天体分类和参数预测研究.pdfVIP

摘要

面对海量的天文观测数据，自动高效地对天体分类可以帮助天文学家进一步地进行科学

研究，对于分类后的天体，它们的重要参数预测又成为了新的研究任务。本文针对恒星、类

星体的分类，以及类星体的重要参数之一红移的预测，结合机器学习的方法，提出了新的解

决方案。先从单模态的数据入手，对天文数据进行分析和处理，实现恒星的自动分类，再引

入多种模态的数据，提高了恒星和类星体这两类易混淆天体的分类准确率，最后利用多模态

机器学习的方法提升了类星体测光红移预测的精度。具体分为以下三个部分。

首先，面对高维度的恒星光谱数据，本文进行归一化等预处理，并构建了基于卷积神经

网络的恒星光谱型和光度型分类模型CSSL_CNN，同时从两个层面给出恒星的类别。实验结

果表明，与现有的恒星分类模型相比，CSSL_CNN不仅避免了对标准恒星库的依赖，而且提

取出了数据中的深层特征，并且获得了较高的分类准确率。

其次，面对难以区分的恒星和类星体图像，本文提出了一种基于多模态机器学习的天体

分类方法。由于图像数据中蕴含的特征稀少，所以引入特征丰富的光谱数据，充分对齐和关

联两个模态，实现了特征融合，最终共同完成恒星和类星体分类任务。与单独通过图像数据

进行分类相比，引入光谱数据的多模态分类