基于CNN与LSTM复合深度模型的恒星光谱分类算法

作     者：李浩 赵青 崔辰州 樊东卫 张成奎 史艳翠 王嫄 LI Hao;ZHAO Qing;CUI Chen-zhou;FAN Dong-wei;ZHANG Cheng-kui;SHI Yan-cui;WANG Yuan

作者机构：天津科技大学人工智能学院天津300457 中国科学院国家天文台北京100012 

出 版 物：《光谱学与光谱分析》 (Spectroscopy and Spectral Analysis)

年 卷 期：2024年第44卷第6期

页      面：1668-1675页

核心收录：

学科分类：07[理学] 070401[理学-天体物理] 0704[理学-天文学] 

基　　金：国家自然科学基金青年科学基金项目(11803022) 国家自然科学基金面上项目(12273077) 国家重点研发计划项目(2022YFF0711500)资助 

主　　题：LAMOST 恒星光谱分类 卷积神经网络 长短期记忆网络 Z-Score标准化 

摘      要：恒星光谱分类是天文学领域中非常重要的研究方向。随着科技的迅猛发展,大型巡天望远镜采集的恒星光谱数据已经达到了TB或甚至PB级别,传统的分类方法已经无法满足如此庞大数据量的处理需求。正确分类光谱对于研究恒星的物理性质以及演化过程具有重要意义。CNN通过卷积运算学习数据的局部特征,去除冗余信息,并通过最大池化运算对特征进行压缩。然而,由于原始CNN模型的全连接层缺乏长距离依赖挖掘的功能,如果加入LSTM网络,通过其独特的三个“门的远距离依赖挖掘能力可提取的重要特征,并检测特征中的微小差异,恰好可以解决这个问题。因此,提出了一种基于CNN和LSTM复合的深度模型,用于对LAMOST DR8中的恒星光谱进行分类。这种模型能够更好地学习恒星光谱的特征,为恒星演化研究提供了重要的帮助。为了提高模型的收敛速度,使用了常见的Z-Score标准化方法对数据进行处理。提出的模型在F、G、K三分类实验中取得了94.56%的分类准确率。同时,与前人使用过的RBM、PILDNN、PILDNN、DBN、Inception v3、1D-SSCNN、LSTM方法进行对比,结果表明该方法具有更高的分类准确率。在十分类实验中,该方法取得了97.35%的准确率,并且相比于仅使用LSTM、1D-SSCNN方法的实验结果,该方法的结果更好,且训练时间减少了近十倍。使用F1-score对每类恒星光谱分类准确度进行说明,在三分类和十分类实验中,每类的F1值都在0.9以上。与前人在文献中的实验结果进行对比,该模型的结果更好。通过混淆矩阵的结果,可以得出该模型在光谱种类越多的实验中准确率越高,甚至可以达到100%。综上所述,所提出的基于CNN和LSTM相结合的模型可以有效地对大规模恒星光谱数据进行分类,并取得了优异的分类效果。