0
关键词：
氨传感膜,基荧光素,荧光,溶胶-凝胶
发表时间：
2012-03-26 11:44:47
基于小波降噪与支持向量机的恒星光谱识别研究
汪君凯 | -> | 851| 0| 0.256752MB |恒星光谱识别,支持向量机,小波降噪,主分量分析,甄别分析
摘 要 提出了一种对恒星光谱识别的新方法。根据恒星光谱数据的特性, 我们以支持向量机为核心技术构建光谱识别器。由于恒星光谱数据通常含有较高的噪声, 如果直接进行分类, 识别率往往较低。因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理, 提取光谱的特征, 然后馈送到支持向量机完成对光谱数据的最终识别。利用实际光谱数据( Jaco by, 1984) 对所提出的技术进行检测, 实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。另外, 作者还比较了支持向量机与传统甄别分析的分类性能, 对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5 种甄别分析方法的识别率, 而且有较强的泛化能力。
星光谱分类是天体光谱自动识别中的重要组成部分,是恒星和星系天文学中的一个重要研究方向, 它的出现大大地促进了恒星天文学的发展。由于光谱数据数量十分巨大,手工进行光谱分类是不现实的。因此, 为了达到对光谱数据的自动处理, 需要研究快速自动的恒星光谱分类技术。
目前, 在模式识别研究领域中人们已经研究出了很多分类方法[1] , 其中甄别分析是一种常见的监督性学习分类技术。近年来出现了多种基于甄别分析的分类方法, 它们均被应用于恒星光谱分类中[2] 。二次甄别分析( quadratic discriminant analy sis, QDA) 是一种被广泛使用的甄别分析方法, 它在训练样本数量充足的情况下有着较好得分类效果。但在实际的恒星光谱分类问题中, 由于缺乏相关的专家知识, 往往很难获得足够的恒星光谱训练样本数据。另一方面, 由于每条光谱数据的维数相当高, 估量协方差矩阵( estimated co var iance matr ix ) 会出现奇异的情况, 使得分类出现病态( Illposed) 问题, 导致严重的错分情况。人们常用降维和重
整化的方法来解决这种高维小训练样本问题, 线性甄别分析( linea r discr iminant analy sis, LDA) 可以被看作一种重整化分类器, 它用公共协方差矩阵代替类协方差矩阵, 当总训练
样本数目大于数据维数时, 用此方法可以很好地解决估量协方差矩阵奇异的问题。但是当总训练样本数目小于数据维数时, LDA 中用到的公共矩阵也会变为奇异矩阵。在这种情况下, 重整化甄别分析( reg ular ized discriminant analy sis,RDA) 通过对类协方差矩阵和公共协方差矩阵的整合可以达到很好的分类效果。而留一法协方差矩阵估计方法( leaveo neo ut cov ariance matr ix estimate, LOOC) 和库勒巴克雷伯勒信息量度重整化方法(KullbackLeibler information measure, KLIM) 通过分别加入对角矩阵和带系数的单位矩阵也可很好地解决此类问题。RDA, LOOC 和KLIM 这三种方法中所用到的参数均是由留一交叉检验( Leaveoneout crossv alidatio n) 方法确定的。
支持向量机( suppo rt v ect or machines, 简称SVM ) 是Vapnik 等[3, 4] 提出的一类新型机器学习方法。由于其出色的学习性能, 该技术已成为机器学习界的研究热点, 并在很多领域都得到了成功的应用[ 5] 。由于支持向量机在高维小训练样本情况下有着很好泛化能力, 因此这个特性可以很好的应用于恒星光谱分类中。同时考虑到原始光谱数据含有较高的噪声, 而小波变换是近年来发展起来的一种很好的信号分析手段, 它具有良好的时频局域化特性, 能通过伸缩和平移对信号进行多分辨率分析, 能聚焦到对象的任意细节, 因此我们首先采用小波变换的方法对原始光谱数据进行降噪, 然后将降噪后的光谱数据作为支持向量机的输入完成恒星光谱识别。
目前, 在模式识别研究领域中人们已经研究出了很多分类方法[1] , 其中甄别分析是一种常见的监督性学习分类技术。近年来出现了多种基于甄别分析的分类方法, 它们均被应用于恒星光谱分类中[2] 。二次甄别分析( quadratic discriminant analy sis, QDA) 是一种被广泛使用的甄别分析方法, 它在训练样本数量充足的情况下有着较好得分类效果。但在实际的恒星光谱分类问题中, 由于缺乏相关的专家知识, 往往很难获得足够的恒星光谱训练样本数据。另一方面, 由于每条光谱数据的维数相当高, 估量协方差矩阵( estimated co var iance matr ix ) 会出现奇异的情况, 使得分类出现病态( Illposed) 问题, 导致严重的错分情况。人们常用降维和重
整化的方法来解决这种高维小训练样本问题, 线性甄别分析( linea r discr iminant analy sis, LDA) 可以被看作一种重整化分类器, 它用公共协方差矩阵代替类协方差矩阵, 当总训练
样本数目大于数据维数时, 用此方法可以很好地解决估量协方差矩阵奇异的问题。但是当总训练样本数目小于数据维数时, LDA 中用到的公共矩阵也会变为奇异矩阵。在这种情况下, 重整化甄别分析( reg ular ized discriminant analy sis,RDA) 通过对类协方差矩阵和公共协方差矩阵的整合可以达到很好的分类效果。而留一法协方差矩阵估计方法( leaveo neo ut cov ariance matr ix estimate, LOOC) 和库勒巴克雷伯勒信息量度重整化方法(KullbackLeibler information measure, KLIM) 通过分别加入对角矩阵和带系数的单位矩阵也可很好地解决此类问题。RDA, LOOC 和KLIM 这三种方法中所用到的参数均是由留一交叉检验( Leaveoneout crossv alidatio n) 方法确定的。
支持向量机( suppo rt v ect or machines, 简称SVM ) 是Vapnik 等[3, 4] 提出的一类新型机器学习方法。由于其出色的学习性能, 该技术已成为机器学习界的研究热点, 并在很多领域都得到了成功的应用[ 5] 。由于支持向量机在高维小训练样本情况下有着很好泛化能力, 因此这个特性可以很好的应用于恒星光谱分类中。同时考虑到原始光谱数据含有较高的噪声, 而小波变换是近年来发展起来的一种很好的信号分析手段, 它具有良好的时频局域化特性, 能通过伸缩和平移对信号进行多分辨率分析, 能聚焦到对象的任意细节, 因此我们首先采用小波变换的方法对原始光谱数据进行降噪, 然后将降噪后的光谱数据作为支持向量机的输入完成恒星光谱识别。
汪君凯发布的其他共享资料
-
-
关键词： 恒星光谱识别,支持向量机,小波降噪,主分量分析,甄别分析 发表时间： 2012-03-26 11:43:37
-
关键词： 电化学发光,修饰电极,鲁米诺,聚乙烯亚胺,聚丙烯酸 发表时间： 2012-03-13 16:25:29
-
关键词： 离子色谱法,大蒜,脉冲安培检测器,单糖 发表时间： 2012-03-13 16:23:22
-
关键词： 聚丙烯酰胺,纳米SiO2,复合凝胶 发表时间： 2012-03-13 16:01:15
-
关键词： 近红外光谱(NIRS),烟草,进展 发表时间： 2012-03-13 16:00:15