基于机器学习的热亚矮星光谱分类OA
随着大批巡天望远镜观测数据的相继释放,新发现的热亚矮星将急剧增多。然而,热亚矮星的光谱分类仍依赖传统的人工方法,这种方法在大批量光谱分析上效率不足。该研究使用卷积神经网络(CNN)提取光谱特征,使用随机森林(RF)对光谱进行分类。该集成模型以1 223颗具有LAMOST光谱的热亚矮星为样本进行训练,实现对六种不同光谱类型热亚矮星的自动分类。该模型在测试集内达到了90.8%的总体分类准确率,并且所有分类的ROC曲线下面积(AUC)均超过0.9,显示出较高的可靠性。CNN+RF集成模型对具有SDSS光谱的1 718颗热亚矮星进行了分类预测,整体准确率达到了94%,表明模型对新数据具有较好的泛化能力。
寇博凯;冯梦奇;肖化平;雷振新
湘潭大学湖南省高校恒星与星际介质重点实验室,湘潭411105 湘潭大学物理与光电工程学院,湘潭411105湘潭大学湖南省高校恒星与星际介质重点实验室,湘潭411105 湘潭大学物理与光电工程学院,湘潭411105湘潭大学湖南省高校恒星与星际介质重点实验室,湘潭411105 湘潭大学物理与光电工程学院,湘潭411105湘潭大学湖南省高校恒星与星际介质重点实验室,湘潭411105 湘潭大学物理与光电工程学院,湘潭411105
天文与地球科学
热亚矮星光谱分类机器学习
《天文学进展》 2026 (1)
P.72-83,12
国家自然科学基金(12073020)湖南省教育厅重点项目(23A0132)。
评论