第35卷，第1期 2015年1月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol.35,No.1.pp263-266 January，2015
基于流形模糊双支持向量机的恒星光谱分类方法
刘忠宝，高艳云”，王建珍
1：中北大学计算机与控制工程学院，山西太原030051
2.河南信息统计学院人事处，河南郑州450008 3.山西大学商务学院信息学院，山西太原030031
摘要支持向量机（supportvectormachine，SVM)具有良好的学习性能和泛化能力，因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大，SVM便暴露出计算量大、分类速度慢等间题。为了解决上述问题，Jayadeva等提出双支持向量机（twin supportvectormachine，TWSVM），将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征，对每类数据的局部特征并未关注。鉴于此，提出基于流形模糊双支持向量机（manifold fuzzytwinsupportvectormachine，MF-TSVM）的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征，模糊隶属度函数的引人将各类数据区别对待，尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM，KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。
关键词自动分类；恒星光谱；流形判别分析；模糊隶属度；双支持向量机
中图分类号：TP391
文献标识码：A
引言
DOI: 10, 3964/j. issn. 1000-0593(2015 )01-0263-04
系光谱分类方法：张怀福等"提出基于小波包与支撑矢量机的天体光谱自动分类方法，在低信噪比、红移未知的情况下依然可以实现对活动天体和非活动天体的有效分类：张继福
随着天文技术的不断发展以及数据获取能力的显著提
升，如何从大量光谱数据中发现有用信息变得越来越重要，然而传统的人工数据处理方式无法满足实际需求，因此以计算机为主的自动天体识别与分类技术成为天文数据处理领域的研究热点之一。近年来在天体光谱数据分类方面，取得了众多卓有成效的成果：Galaz和Connolity利用主元分析方法实现对星系光谱的自动分类口2]；Bailer-Jones3提出基于多层感知神经网络和主元分析的自动分类方法；Gulati等利用两层BP神经网络对恒星光谱次型进行分类；刘蓉等提出基于小波特征的光谱星系分类方法，能够在红移未知情况下对流量未标定的星系光谱进行分类：杨金福等提出基于覆盖算法的天体光谱自动分类方法，仅与训练样本的支撑点有关，因而具有较小的计算量和存储量等优点；许馨等提出基于产义判别分析的光谱分类方法，主要用于恒星、星系和类星体的光谱分类；赵梅芳等"提出基于K近邻的自动分类方法主要适用于低红移活动星系核光谱数据：季乡需等提出基于Fisher判别分析有监督的星系光谱分类方法，可以实现类星体与正常星系分类；孙士卫等提出基于数据仓库的星
收稿日期：2013-09-08，修订日期：2013-12-22
基金项目：山西省高等学校科技创新项目（2014142，20131112)资助
等提出基于约束概念格的恒星光谱数据自动分类方法；刘蓉等提出基于Bayes决策的光谱分类方法，利用主元分析获取光谱特征并基于最小错误率的Bayes决策进行分类。
在众多光谱分类方法中，支持向量机（supportvector machine，SVM)以其良好的学习性能和泛化能力得到广泛应用。然后当数据规模较大时，SVM便暴露出计算量大、分类速度慢等间题。双支持向量机co（twin supportvectorma-chine，TWSVM)的提出有效地解决了上述间题，并将计算时间开销减少至SVM的1/4。但TWSVM只考患类间的绝对间隔而忽略各类的分布性状，限制了其分类性能的进一步提升。因此，作者基于之前所提方法流形判别分析(mani-fold-based discriminant analysis，MDA)提出流形模糊双支持向量机（manifoldfuzzytwinsupport vectormachine， MF-TSVM），该方法可以准确地获取光谱数据的全局特征和局部特征。此外，模糊技术的引入保证MF-TSVM对样本区别对得，减少噪声点和奇异点对分类结果的影响。SDSS恒星光谱数据集上的实验表明所提方法的有效性。
作者简介：刘忠宝，1981年生，中北大学计算机与控制工程学院副教授
e-mail : liu_zhongbao@ hotmail, com