天文学报
天文學報
천문학보
ACTA ASTRONOMICA SINICA
2015年
1期
26-34
,共9页
恒星:基本参数%方法:数据分析%方法:统计%方法:其它诸多方面
恆星:基本參數%方法:數據分析%方法:統計%方法:其它諸多方麵
항성:기본삼수%방법:수거분석%방법:통계%방법:기타제다방면
stars: fundamental parameters,methods: data analysis,methods: statistical%methods: miscellaneous
多任务学习方法在机器学习、计算机视觉、人工智能领域已得到广泛关注,利用任务间的相关性,将多个任务同时学习的效果优于每个任务单独学习的情况.采用多任务Lasso回归法(Multi-task Lasso Regression)用于恒星光谱物理参量的估计,不仅可以获取不同物理参量间的共同的特征信息,而且也可以很好地保留不同物理参量的特有的补充信息.使用恒星大气模拟模型合成光谱库ELODIE中的光谱数据和美国大型巡天项目Sloan发布的SDSS实测光谱数据进行实验,模型估算精度优于相关文献中的方法,特别是对重力加速度(lg g)和化学丰度([Fe/H])的估计.实验中通过改变光谱的分辨率,施加不同信噪比(SNR)的噪声,来说明模型的稳定性强.结果表明,模型精度受光谱分辨率和噪声的影响,但噪声对其影响更大,可见,多任务Lasso回归法不仅操作简便,稳定性强,而且也提高了模型的整体预测精度.
多任務學習方法在機器學習、計算機視覺、人工智能領域已得到廣汎關註,利用任務間的相關性,將多箇任務同時學習的效果優于每箇任務單獨學習的情況.採用多任務Lasso迴歸法(Multi-task Lasso Regression)用于恆星光譜物理參量的估計,不僅可以穫取不同物理參量間的共同的特徵信息,而且也可以很好地保留不同物理參量的特有的補充信息.使用恆星大氣模擬模型閤成光譜庫ELODIE中的光譜數據和美國大型巡天項目Sloan髮佈的SDSS實測光譜數據進行實驗,模型估算精度優于相關文獻中的方法,特彆是對重力加速度(lg g)和化學豐度([Fe/H])的估計.實驗中通過改變光譜的分辨率,施加不同信譟比(SNR)的譟聲,來說明模型的穩定性彊.結果錶明,模型精度受光譜分辨率和譟聲的影響,但譟聲對其影響更大,可見,多任務Lasso迴歸法不僅操作簡便,穩定性彊,而且也提高瞭模型的整體預測精度.
다임무학습방법재궤기학습、계산궤시각、인공지능영역이득도엄범관주,이용임무간적상관성,장다개임무동시학습적효과우우매개임무단독학습적정황.채용다임무Lasso회귀법(Multi-task Lasso Regression)용우항성광보물리삼량적고계,불부가이획취불동물리삼량간적공동적특정신식,이차야가이흔호지보류불동물리삼량적특유적보충신식.사용항성대기모의모형합성광보고ELODIE중적광보수거화미국대형순천항목Sloan발포적SDSS실측광보수거진행실험,모형고산정도우우상관문헌중적방법,특별시대중력가속도(lg g)화화학봉도([Fe/H])적고계.실험중통과개변광보적분변솔,시가불동신조비(SNR)적조성,래설명모형적은정성강.결과표명,모형정도수광보분변솔화조성적영향,단조성대기영향경대,가견,다임무Lasso회귀법불부조작간편,은정성강,이차야제고료모형적정체예측정도.
