恒星光谱的自动分类。II：基于神经网络和主成分分析的二维分类
天体物理学
2009-10-30 v1
摘要
我们研究了神经网络在MK光谱分类自动化中的应用。该项目的数据集包含来自密歇根光谱巡天的物端棱镜底片获取的5000余条光学（3800-5200 Å）光谱。这些光谱及其在密歇根亨利·德雷珀星表中列出的二维MK分类被用于开发监督式神经网络分类器。我们表明神经网络能够在数据集中存在的全部光谱型范围（B2-M7）内给出精确的光谱型分类（sig_68 = 0.82亚型，sig_rms = 1.09亚型）。我们还表明网络对超过95%的矮星和巨星给出了正确的光度级，且具有很高的置信度。恒星光谱通常包含大量冗余信息。我们研究了主成分分析（PCA）在光谱最优压缩中的应用。我们表明PCA可以将光谱压缩超过30倍，同时保留数据集中几乎所有有用信息。此外，我们发现这种压缩最优地去除了噪声，并可用于识别特殊光谱。
引用
@article{arxiv.astro-ph/9803050,
title = {Automated Classification of Stellar Spectra. II: Two-Dimensional Classification with Neural Networks and Principal Components Analysis},
author = {Coryn A. L. Bailer-Jones and Mike Irwin and Ted von Hippel},
journal= {arXiv preprint arXiv:astro-ph/9803050},
year = {2009}
}
备注
To appear in MNRAS. 15 pages, 17 figures, 7 tables. 2 large figures (nos. 4 and 15) are supplied as separate GIF files. The complete paper can be obtained as a single gziped PS file from http://wol.ra.phy.cam.ac.uk/calj/p1.html