《表2 大样本的分类结果比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的LAMOST光谱分类研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

考虑到以上实验样本数据较少，结果可能不具有代表性，而DBN模型的优势又在于样本越大分类精确度越高.因此，我们引入了更具有代表性的大样本，样本总数为30000条光谱数据，维度为3909，分别为F、G、K型.值得注意的是，除对数据进行归一化处理以外，未进行其他预处理过程，且未限制光谱的信噪比值，样本标签分别为1、2、3，且在实验中将样本分为训练集和测试集，其中训练集27000条光谱，测试集3000条光谱.此外，Wang等[13]采用深度神经网络对同样F、G、K 3种类型恒星光谱的分类结果进行比较，样本为30000条，对光谱信噪比没有作限制.文章采用深度神经网络分类模型，节点设计为721-400-800-1200-2000-3，即有4个隐含层的分类器模型.可见在光谱数据保留721个特征的基础上基于伪逆学习算法对光谱进行分类实验，分类精确率为0.819.本实验同样采用深度学习模型，但与其不同的是深度信念网络结构由受限玻尔兹曼机堆叠而成，不需要对光谱进行降维，应用该模型对高维光谱数据的特征分层学习能力，尽可能保留有效特征以提升分类精确度.基于以上模型进行分类实验，并将所得结果同样在TOPCAT中与GAIA数据交叉，得到的颜色-星等图如图6所示，且将分类精确度与文献[11]进行比较，结果见表2（注:PILDNN是指基于伪逆学习算法的深度神经网络，PILDNN*是指将每条光谱作为输入向量时分为4个阶段并基于伪逆学习算法的深度神经网络）.