本文主要研究内容
作者刘忠宝,雷宇飞,宋文爱,张静,王杰,屠良平（2019）在《利用带无标签数据的双支持向量机对恒星光谱分类》一文中研究指出：恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。
Abstract
heng xing guang pu fen lei shi tian wen ji shu yu fang fa ling yu yi zhi guan zhu de re dian wen ti zhi yi 。sui zhao guan ce she bei chi xu yun hang he bu duan gai jin ,ren lei huo de de guang pu shu liang yu ri ju zeng 。zhe xie hai liang guang pu wei ren gong chu li dai lai le ji da tiao zhan 。jian yu ci ,yan jiu ren yuan kai shi guan zhu shu ju wa jue suan fa ,bing chang shi dui zhe xie guang pu jin hang shu ju wa jue 。jin nian lai ,shen jing wang lao 、zi zu zhi ying she 、guan lian gui ze deng shu ju wa jue fang fa an fan ying yong yu heng xing guang pu fen lei 。zai zhe xie fang fa zhong ,zhi chi xiang liang ji (SVM)yi ji jiang da de xue xi neng li he gao xiao de fen lei xing neng er bei shou tui chong 。SVMde ji ben sai xiang shi shi tu zai liang lei yang ben zhi jian zhao dao yi ge zui you fen lei mian jiang liang lei fen kai 。SVMzai qiu jie shi ,tong guo jiang ji zui you hua wen ti zhuai hua wei ju you (QP)xing shi de tu wen ti ,jin er de dao quan ju zui you jie 。jin guan gai fang fa zai shi ji ying yong zhong biao xian you liang ,dan wei le jin yi bu di gao ji fen lei neng li ,you de xue zhe di chu shuang zhi chi xiang liang ji (TSVM)。gai fang fa tong guo gou zao liang ge fei ping hang de fen lei mian jiang liang lei fen kai ,mei yi lei kao jin mou ge fen lei mian ,er yuan li ling yi ge fen lei mian 。TSVMde ji suan xiao lv jiao zhi chuan tong SVMdi gao jin 4bei ,yin ci ,zi TSVMdi chu hou bian shou dao yan jiu ren yuan de chi xu guan zhu ,bing chu xian re gan gai jin suan fa 。zai heng xing guang pu fen lei zhong ,yi ban fen lei suan fa dou shi gen ju li shi guan ce guang pu lai jian li fen lei mo xing ,ji zhong zui guan jian de shi dui guang pu jin hang ren gong biao zhu ,zhe xiang gong zuo ji wei fan suo ,ju rong yi fan cuo 。ru he li yong yi biao ji de guang pu yi ji bu fen mo biao qian de guang pu lai jian li fen lei mo xing xian de you wei chong yao 。yin ci ,di chu dai mo biao qian shu ju de shuang zhi chi xiang liang ji (TSVMUD)yong yi shi xian dui heng xing guang pu zhi neng fen lei de mu de 。gai fang fa shou xian jiang guang pu fen wei xun lian shu ju ji he ce shi shu ju ji liang bu fen ;ran hou ,zai xun lian ji shang jin hang xue xi ,de dao fen lei yi ju ;zui hou li yong fen lei yi ju dui ce shi ji shang de guang pu jin hang yan zheng 。ji cheng le shuang zhi chi xiang liang ji de you shi ,geng chong yao de shi ,zai xun lian ji shang xue xi fen lei mo xing guo cheng zhong ,bu jin kao lv you biao ji de xun lian yang ben ,ye kao lv bu fen wei biao ji de yang ben 。yi fang mian di gao le xue xi xiao lv ,ling yi fang mian de dao geng you de fen lei mo xing 。zai SDSS DR8heng xing guang pu shu ju ji shang de bi jiao shi yan biao ming ,yu zhi chi xiang liang ji SVM、shuang zhi chi xiang liang ji TSVMyi ji Kjin lin (KNN)deng chuan tong fen lei fang fa xiang bi ,dai mo biao qian shu ju de shuang zhi chi xiang liang ji TSVMUDju you geng you de fen lei neng li 。ran er ,gai fang fa yi cun zai yi ding de ju xian xing ,ji zhong yi da nan ti shi ji mo fa chu li hai liang guang pu shu ju 。gai gong zuo jiang jie jian hai liang shu ju sui ji cai yang sai xiang ,li yong da shu ju chu li ji shu ,lai dui suo di fang fa zai da shu ju huan jing xia de kuo ying xing zhan kai jin yi bu yan jiu 。
论文参考文献
论文详细介绍
论文作者分别是来自光谱学与光谱分析的刘忠宝,雷宇飞,宋文爱,张静,王杰,屠良平，发表于刊物光谱学与光谱分析2019年03期论文，是一篇关于恒星光谱论文,智能分类论文,双支持向量机论文,无标签数据论文,光谱学与光谱分析2019年03期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自光谱学与光谱分析2019年03期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：恒星光谱论文; 智能分类论文; 双支持向量机论文; 无标签数据论文; 光谱学与光谱分析2019年03期论文;