一种基于深度学习的恒星分类方法

本发明属于恒星分类，尤其涉及一种基于深度学习的恒星分类方法。

背景技术：

1、恒星光谱分类是天文学研究中的一项至关重要的任务，分类结果直接反映了恒星的表面温度差异，这为研究恒星能量辐射、内部结构、以及它们在星系中的角色提供了基础。此外，恒星光谱分类也一定程度上为天文学家洞察星系结构演化和星际介质的不同影响以及验证天体物理学理论提供了帮助。

2、长期以来，各研究团队基于m-k恒星分类标准提出的分类方法，大致可分为模板匹配和机器学习两种。模板匹配方法是天文学家在早期阶段广泛使用的一种经典技术，它通过比较观测光谱和已知光谱模板之间的相似度来识别恒星的类别。在计算资源有限的早期，模板匹配因其对计算要求不高而特别受到青睐。然而，这种方法依赖于高质量的模板库，其分类精度受限于模板的代表性和完整性。随着技术的进步，机器学习尤其是深度学习技术在恒星光谱分类中显示出巨大潜力。传统的机器学习算法，如支持向量机（supportvector machine，svm）、决策树和随机森林等，利用从恒星光谱中提取的手工特征来进行分类。这些算法相对简单，易于解释，在数据集较小或者特征较为明显时表现出色。相比之下，深度学习方法则能够通过端到端的方式自动发现和表征复杂光谱数据中的高阶特征，尤其适合处理大规模的恒星光谱数据，能够进一步提升分类的准确性和效率。

3、尽管如此，现有的恒星光谱分类技术，无论是传统机器学习还是现代深度学习方法，在实际应用中仍面临分类准确率不足的问题。现有技术未能充分利用恒星光谱数据中蕴含的丰富信息，导致其在实际天文学研究中的应用依旧存在局限性。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种基于深度学习的恒星分类方法，以解决恒星分类准确性低的问题。

2、为解决上述技术问题，本发明是采用下述方案实现的：

3、本发明提供一种基于深度学习的恒星分类方法，包括：

4、获取恒星光谱数据；

5、对恒星光谱数据进行预处理，得到恒星小波图像；

6、将恒星小波图像输入训练好的恒星特征网络，输出恒星分类结果；

7、其中，恒星特征网络包括第一卷积层、恒星特征网络模块、第二卷积层、第三卷积层、第四卷积层、第五卷积层、gap层和linear层，恒星特征网络通过第一卷积层将恒星小波图像转化为特征图，转化后的特征图通过恒星特征网络模块进行多尺度特征提取和融合，提取和融合后的特征图分别经过第二卷积层、第三卷积层、第四卷积层、第五卷积层后输入gap层进行全局平均池化，全局平均池化后的特征图经过linear层进行线性变换输出恒星类别。

8、进一步地，预处理包括连续小波变换，连续小波变化采用star-morlet小波函数，连续小波变换的映射尺度参数范围为[1,300]，色彩映射为viridis，插值方法为双线性插值，star-morlet小波函数的公式为：

9、

10、其中，是频率参数，为6.0，是高斯窗的标准差，为0.8，是自然常数，是时刻。

11、进一步地，恒星特征网络模块包括第一恒星特征网络模块、第二恒星特征网络模块、第三恒星特征网络模块和第四恒星特征网络模块，通过恒星特征网络模块进行多尺度特征提取和融合，包括：转化后的特征图经过层归一化后输入第一恒星特征网络模块进行第一特征提取，第一特征提取后的特征图经过层归一化和下采样后输入第二恒星特征网络模块进行第二特征提取，第二特征提取后的特征图经过层归一化和下采样后输入第三恒星特征网络模块进行第三特征提取，第三特征提取后的特征图经过层归一化和下采样后输入第四恒星特征网络模块进行第四特征提取，第四特征提取后的特征图经过上采样与第三特征提取后的特征图融合，第三特征提取后的特征图经过上采样与第二特征提取后的特征图融合，第二特征提取后的特征图经过上采样与第一特征提取后的特征图融合。

12、进一步地，第一恒星特征网络模块、第二恒星特征网络模块、第三恒星特征网络模块和第四恒星特征网络模块均包括第六卷积层和若干子模块，若干子模块依次串联后连接第六卷积层，每个子模块包括以残差结构连接的第七卷积层、第八卷积层、全局响应归一化、第九卷积层和drop path，第一恒星特征网络模块、第二恒星特征网络模块和第四恒星特征网络模块中子模块的数量为3，第三恒星特征网络模块中子模块的数量为27。

13、进一步地，drop path的比率设置为0.3。

14、进一步地，第一卷积层的内核为4×4，步长为4，第二卷积层、第三卷积层、第四卷积层和第五卷积层的内核为3×3，步长为1，第六卷积层、第八卷积层和第九卷积层的内核为1×1，步长为1，第七卷积层的内核为7×7，步长为1。

15、进一步地，恒星特征网络的训练方法为：

16、从历史天文光谱数据集中获取信噪比大于20的b、a、f、g和k五类恒星光谱数据；

17、对获取到的恒星光谱数据进行预处理，生成恒星小波图像以构建数据集；

18、将数据集划分为训练集和检验集，放入恒星特征网络进行训练。

19、进一步地，预处理还包括一维卷积处理和min-max归一化处理，一维卷积处理在min-max归一化处理之前，min-max归一化处理在连续小波变换之前，一维卷积处理的卷积核的内核为1×1×1，步长为1，填充为1。

20、本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权前述基于深度学习的恒星分类方法的步骤。

21、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现前述基于深度学习的恒星分类方法的步骤。

22、与现有技术相比，本发明所达到的有益效果为：本发明使用连续小波变化的方法将恒星光谱数据转化为恒星小波图像，并且采用适用于恒星光谱的star-morlet小波函数，从而保留了更多的恒星光谱特征，提高了分类准确率；同时针对恒星小波图像设计了stellar feature network，该模型优化了从局部到全局的多尺度恒星光谱特征提取方法，在进行以star-morlet为小波函数生成的图像进行特征提取时展现出优势，进一步提高了分类准确率。

技术特征：

1.一种基于深度学习的恒星分类方法，其特征在于，包括：

2.根据权利要求1所述基于深度学习的恒星分类方法，其特征在于，预处理包括连续小波变换，连续小波变化采用star-morlet小波函数，连续小波变换的映射尺度参数范围为[1,300]，色彩映射为viridis，插值方法为双线性插值，star-morlet小波函数的公式为：

3.根据权利要求1所述基于深度学习的恒星分类方法，其特征在于，恒星特征网络模块包括第一恒星特征网络模块、第二恒星特征网络模块、第三恒星特征网络模块和第四恒星特征网络模块，通过恒星特征网络模块进行多尺度特征提取和融合，包括：转化后的特征图经过层归一化后输入第一恒星特征网络模块进行第一特征提取，第一特征提取后的特征图经过层归一化和下采样后输入第二恒星特征网络模块进行第二特征提取，第二特征提取后的特征图经过层归一化和下采样后输入第三恒星特征网络模块进行第三特征提取，第三特征提取后的特征图经过层归一化和下采样后输入第四恒星特征网络模块进行第四特征提取，第四特征提取后的特征图经过上采样与第三特征提取后的特征图融合，第三特征提取后的特征图经过上采样与第二特征提取后的特征图融合，第二特征提取后的特征图经过上采样与第一特征提取后的特征图融合。

4.根据权利要求3所述基于深度学习的恒星分类方法，其特征在于，第一恒星特征网络模块、第二恒星特征网络模块、第三恒星特征网络模块和第四恒星特征网络模块均包括第六卷积层和若干子模块，若干子模块依次串联后连接第六卷积层，每个子模块包括以残差结构连接的第七卷积层、第八卷积层、全局响应归一化、第九卷积层和drop path，第一恒星特征网络模块、第二恒星特征网络模块和第四恒星特征网络模块中子模块的数量为3，第三恒星特征网络模块中子模块的数量为27。

5.根据权利要求4所述基于深度学习的恒星分类方法，其特征在于，drop path的比率设置为0.3。

6.根据权利要求4所述基于深度学习的恒星分类方法，其特征在于，第一卷积层的内核为4×4，步长为4，第二卷积层、第三卷积层、第四卷积层和第五卷积层的内核为3×3，步长为1，第六卷积层、第八卷积层和第九卷积层的内核为1×1，步长为1，第七卷积层的内核为7×7，步长为1。

7.根据权利要求2所述基于深度学习的恒星分类方法，其特征在于，恒星特征网络的训练方法为：

8.根据权利要求7所述基于深度学习的恒星分类方法，其特征在于，预处理还包括一维卷积处理和min-max归一化处理，一维卷积处理在min-max归一化处理之前，min-max归一化处理在连续小波变换之前，一维卷积处理的卷积核的内核为1×1×1，步长为1，填充为1。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1至8中任一项所述基于深度学习的恒星分类方法的步骤。

10.计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述基于深度学习的恒星分类方法的步骤。

技术总结
本发明公开了一种基于深度学习的恒星分类方法，包括：获取恒星光谱数据；对恒星光谱数据进行预处理，得到恒星小波图像；将恒星小波图像输入训练好的恒星特征网络，输出恒星分类结果。本发明使用连续小波变化的方法将恒星光谱数据转化为恒星小波图像，并且采用适用于恒星光谱的Star‑Morlet小波函数，从而保留了更多的恒星光谱特征，提高了分类准确率；同时针对恒星小波图像设计了SFNet，该模型优化了从局部到全局的多尺度恒星光谱特征提取方法，在进行以Star‑Morlet为小波函数生成的图像进行特征提取时展现出优势，进一步提高了分类准确率。

技术研发人员：刘芃,付豪,何毅,梅雪
受保护的技术使用者：南京工业大学
技术研发日：
技术公布日：2024/10/10