第36卷，第10期 2016年10月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 36, No. 10 pp3261-3264
October，2016
基于DBN，SVM和BP神经网络的光谱分类比较
李俊峰1，汪月乐1，胡升2，何慧灵2* 1．三峡大学计算机与信息学院，湖北宜吕
443002
2.三峡大学理学院，湖北宜吕443002
摘要恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值，面对大型巡天计划及由此产生的海量数据，如何迅速准确地将天体自动分类显得尤为重要，通过对SDSSDR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比，分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K，F恒星进行识别分类，然后再分别对K1，K3和K5次型和F2，F5，F9次型识别，最后基于SVM支持向量机的二次分类模型，利用K次型的数据，构建剔除不属于 K次型的模型。结果表明：深度置信网络对K，F型恒星分类效果较好，但是对K，F次型的分类效果不佳 SVM支持向量机在K，F型恒星分类以及相应的次型分类都具有较好的识别率，对K，F型分类效果要好于 K，F次型的分类效果；BP神经网络对K，F型恒星以及其次型的识别一般；在别除不属于K次型实验中，
别除率高达100%，可知SVM能够对未知的光谱数据进行筛选与分类。关键词深度置信网络：BP神经网络：SVM支持回量机：光谱自动
中图分类号：TN911.7文献标识码：A
引言
DOl: 10. 3964/j. issn. 10000593(2016)10326104
DR6的恒星/星系的测光数据进行了分析，恒星识别率高达 98.52%，刘忠宝等的流形判别分析和支持向量机的恒星光谱数据自动分类方法，对SDSS的光谱数据进行了分类，也
随着天文观测技术的不断改进，获取数据能力的提升和大型光谱巡天计划的实施，天体光谱数据的自动处理研究越来越受到重视和关注1。恒星的分类是天文学的基本分类任务之一，主要是根据恒星在不同波段的表现性质的不同，应用不同的方法将它们各自区分开来。恒星的分类对了解恒星和星系形成与演化历史更具有重要的研究价值。面对大型巡天计划及由此产生的海量数据，如何迅速准确地将天体自动分类显得尤为重要，通过深度置信神经网络（deepbelief net-work，DBN）自动分类方法[2-4]，神经网络（back-propagation， BP和支持向量机（supportvectormachine，SVM)[G-6]对恒星光谱进行了分类，
目前，已经有很多研究者在恒星分类上进行了研究。例如：Ball，NicholasM等汀的利用决策树对斯隆数字巡天 DR3的数据进行星系分类，Banerji，Manda等[8)的Galaxy Z0O：利用人工神经网络对DR6的星系数据进行了分类。严太生等的基于自动聚类的算法的恒星/星系分类，对SDSS
收稿日期：2015-07-03，修订日期：2015-11-12
得到了较好的结果，屠良平等的基于局部均值的K-近质心近邻光谱分析，对SDSSDR8光谱数据进行了分类，其中恒星的识别率达到广98.9%，其他光谱分类上也有大量的研究。李乡儒等的RVM有监督特征提取对Seyfert光谱的分类。杨金福等利用核覆盖算法对星系和类星体的分类。赵梅芳等的利用自适应增强的方法对活动星系核的分类。
本文通过DBN，BP神经网络和SVM对SDSSDR9的恒星测光数据进行分析处理，比较三种方法在K型、F型恒星光谱分类上的差别，特别对于少有文献报道的光谱次型分类和未知光谱的分类方面做了相关研究。结果表明：SVM在 K，F的次型分类方面明显优于DBN与BP神经网络方法。
模型介绍
1
1.1深度置信网络(DBN) 1.1.1深度置信网络介绍
基金项目：国家自然科学基金天文联合基金项目（U133113)，湖北省教育厅科研项目（B2015251)，三峡大学科学基金项目（KJ2013B018)资
助
作者简介：李俊峰，1993年生，三峡大学计算机与信息学院本科学生
万方数据系人
e-mail: hlhe1980@163. com
e-mail : 1097009502(@qq. com