第33卷，第1期 2013年1月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
一种恒星光谱分类规则后处理方法
蔡江辉，杨海峰”，赵旭俊，张继福太原科技大学计算机科学与技术学院，山西太原030024
Vol.33,No.1,pp237-240 January，2013
摘要随着LAMOST巡天的逐步实施，天体光诺数据量极大，对观测数据进行自动分类及分析其有重要的意义。采用常规方法获取的分类规则集中，往往存在大量元余规则，影响了分类效率和质量。本文给出了一种基于谓词逻辑的分类规则后处理方法，通过利用谓词描述光谱分类规划，并对分类规则集进行谓词演算，消除允余规则。最后，采用LAMOST观测的恒星光谱数据，实验验证该方法在保证分类准确率不降低的前提下，可大幅提高自动分类效率。
关键词天体光谐数据；分类规则；谓词逻辑；后处理
中图分类号：TP311
引言
文献标识码：A
D0I: 10.3964/i.issn.1000-0593(2013)01-0237-04
等。
分类知识库的复杂性是影响光谱分类效率的一个重要因索，以上文献的出发点都是采用不同的方法或者其改进，使
我国自主建造的大天区面积多目标光纤光谱天文望远镜(large sky area multi-object fiber spectroscopic telescope, LAMOST)，是国家重点科学工程。LAMOST巡天会产生大量光谱，对每个观测夜获取的数以万计的光谱进行高质量、高效率地自动分类及分析是目前重要的研究内容之)，
目前对于光谱数据的分析和处理主要集中在分类和识别方法上，其目标是如何提高分类准确率及效率。近年来典型的成果有：自组织映射算法是由Kohonen提出的一种无监督的人工神经网络，这种技术不需要训练样本，可以直接对光谱分类，具有较高的分类效率(")；在对温度、光度比较敏感的光谱线中选择线-强指数集训练的人工神经网络系统，在对低信噪比的光谐分类过程中，拥有较好的准确率()；Auto Class是一种无监督的Bayesian分类方法，Yan等[O将该方法应用到从SDSSDR7光度数据样本中选择非恒星对象，从而构造纯恒星样本，通过对该样本的集群分析，发现了617 个非恒星侯选体；Tu等ts提出采用神经网络自动分类方法，在LAMOST光谱自动分类实验中具有较高的准确率；选择高质量的光谱源，可以有效提高自动分类质量，但同时计算复杂性也会随之提高[6]；此外，还有Pan等[提出了采用遗传算法优化的随机森林对高维光谱的分类方法以及基于非负矩阵近似的无监督分析方法也具有较好的自动分类效率()
收稿日期：2012-06-01，修订日期：2012-08-10
得在获取恒星光谱分类规则的过程中进行修剪，从而提高光诺识别效率，在恒星光诺分类规则集的整体特点及规则间、规则内部关系的分析上存在局限。由于恒星光谱数据中，各波长段的流量特征、各波长段流量间的关系比较复杂以及数据本身的海量、高维特性9)，使得采用常规方法获取的恒星光谱分类规则集，容量较大，并且规则间、规则内会存在大量允余。因此，对恒星光谱分类规则进行后处理[10.11]，对降低分类器的复杂性，具有重要的应用价值。
本文采用谓词来描述光谱分类规则中前件与后件的塑关系，利用谓词演算消除规则间及规则内的允余和冲突现象，在此基础上给出一种基于谓调逻辑的分类规则处理算法(CRPP)，有效地提高了分类的质量和效率。最后，采用 LAMOST观测的光谱数据，实验验证该方法在保证分类准确率不降低的前提下，可大幅提高自动分类效率，
恒星光谱分类规则
恒星光诺分类规则是一种表示恒星光谱分类知识的方法，获取分类规则即构分类器是分类过程的关链键，为了更明确地分析分类规则前件与后件的通关系以及前件内部各元素的关系，参照文款献厂11，12，给出如下相关的定义。
基金项目：国家自然科学基金项目（41140027，41210104028，61073145)，山西省自热科学基金项目(2012011011-4)和山西省青年科学基金
项目(2012021015-4)资助
作者简介：蔡江辉，1978年生，太原科技大学计算机学院副教授
*通讯联系人
万方数据
e-mail;yhftxy7537750163.com
e-mail; cjhji@sohu.com