基于t-SNE的恒星光譜降維與分類研究

姜 斌， 趙梓良， 王淑婷， 韋紀宇， 曲美霞

山東大學機電與信息工程學院, 山東 威海 264209

引 言

隨著天文光譜數據量呈指數級增加， 人工分類方法由于具有效率低、 在低信噪比數據上分類準確率較低等缺陷， 已經無法滿足需要。 目前機器學習算法在天文光譜分類中得到廣泛應用， 并取得了較好的效果。 Navarro等[1]利用人工神經網絡對不同信噪比的光譜數據進行分類， 分類結果對低信噪比的光譜數據也具有高度的可信度； Kheirdastan等[2]使用概率神經網絡作為大質量恒星光譜的自動分類工具， 得到了準確的光譜型分類結果。 此外， 利用熵學習機對恒星光譜數據進行分類， 分類結果也較為準確[3]： Chen等利用受限玻爾茲曼機[4]提高了光譜分類的效率。

光譜降維是準確分類的重要前提。 傳統的降維方法如局部線性嵌入[5]以及線性判別分析[6]已被廣泛應用到光譜降維并取得較好的效果。 自編碼器[7]也已被廣泛應用于數據的降維。

針對傳統的主成分分析(principal component analysis， PCA)在低維空間內出現的交叉問題， 本文研究流形學習方法， 對光譜進行降維。 實驗表明經流形學習算法t-SNE (t-distributed stochastic neighbor embedding)降維后的恒星光譜能夠產生更加明顯的分類邊界， 并很少發生數據的重疊問題， 訓練出的分類器具有更好的效果。

1 降維與分類方法

1.1 t-SNE

t-SNE[8]是一種基于SNE (隨機鄰接嵌入)的非線性降維算法， 適合將數據降維至2～3維從而利于可視化。 在SNE算法中， 首先構建一個高維對象間的概率分布， 使得類似的數據有更高的概率被選擇， 而差異大的數據被選擇的概率較低?！?br>