基于光谱的恒星与星系的自动识别方法
专利汇可以提供基于光谱的恒星与星系的自动识别方法专利检索，专利查询，专利分析的服务。并且一种基于 光谱 恒星 与 星系 的自动识别方法，由恒星、正常星系和活动星系的静止光谱模板、计算机及相关 软件 组成，所述方法包括步骤：自动识别非活动天体与活动天体，所述非活动天体包括恒星与正常星系，所述活动天体包括活动星系；自动识别恒星与正常星系，从而实现恒星与星系的自动识别。本 发明 的天体光谱自动识别技术的分类正确率对恒星能达到96％，对正常星系能达到94％。，下面是基于光谱的恒星与星系的自动识别方法专利的具体信息内容。
1.一种基于光谱恒星与星系的自动识别方法，由恒星、正常星系、
和活动星系的静止光谱模板、计算机及相关软件组成，所述方法包 括步骤：
自动识别非活动天体与活动天体，所述非活动天体包括恒星与正常 星系，所述活动天体包括活动星系；
自动识别恒星与正常星系，从而实现恒星与星系的自动识别。
2.按权利要求1所述的方法，其特征在于所述自动识别非活动天体 与活动天体包括步骤：
1)样本数据的标准化；
2)构造天体光谱的三维主分量特征空间，并对样本进行投影；
3)选择训练样本；
4)采用支撑矢量机，把训练样本经第1步标准化、投影到第2步的 三维主分量空间上，再把投影获得的三维特征点作为输入，训练 非活动与活动天体之间的最优分类面。
3.按权利要求1所述的方法，其特征在于所述自动识别恒星与正常 星系包括步骤：
1)样本数据的标准化；
2)采用主分量分析法，对恒星和正常星系光谱进行降维，获得降维 的特征空间；
3)选择训练样本；
4)采用组合径向基神经网络，把训练样本投影到第2步得到的特征 空间上作为输入，进行恒星与正常星系的分类器训练；
5)待识别光谱样本经第1步标准化、投影到第2步得到的三维主分 量空间上，再把投影后的特征点作为输入，并利用分类面函数进 行识别为非活动或活动天体；
6)对第5步分类结果中的非活动天体的光谱样本经第1步标准化、 投影到第2步得到的降维特征空间上，把投影后的特征变量输 入到分类器中进行识别为恒星或正常星系。
4、按权利要求1所述的基于光谱的恒星与星系的自动识别方法，其 特征在于：先进行非活动天体和活动天体(活动星系)的识别，再进行 恒星与正常星系的识别。
5、按权利要求2所述的基于光谱的恒星与星系的自动识别方法，其 特征在于：在所述天体光谱的三维主分量特征空间中，采用支撑矢量机 算法来识别非活动与活动天体的光谱。
6、按权利要求3所述的基于光谱的恒星与星系的自动识别方法，其 特征在于：在非活动天体光谱的降维特征空间，把特征空间中的样本点 作为特征变量，训练恒星与正常星系的分类器。
7、按权利要求3所述的基于光谱的恒星与星系的自动识别方法，其 特征在于：采用组合径向基神经网络，训练恒星与正常星系的分类器。
8、按权利要求3所述的基于光谱的恒星与星系的自动识别方法，其 特征在于：非活动与活动天体的最优分类面的训练样本包含各种光谱型 的恒星以及进行红移模拟后的星系的模拟光谱。
9、按权利要求6或7所述的基于光谱的恒星与星系的自动识别方法， 其特征在于：恒星与正常星系的分类器的训练样本包含各种光谱型的恒 星以及进行红移模拟后的正常星系的模拟光谱。
技术领域
本发明涉及计算机辅助的天体识别方法。
背景技术
发明内容
为实现上述目的，一种基于光谱恒星与星系的自动识别方法，由恒 星、正常星系和活动星系的静止光谱模板、计算机及相关软件组成，所 述方法包括步骤：
自动识别非活动天体与活动天体，所述非活动天体包括恒星与正常 星系，所述活动天体包括活动星系；
自动识别恒星与正常星系，从而实现恒星与星系的自动识别。
本发明的天体光谱自动识别技术的分类正确率对恒星能达到96％，对 正常星系能达到94％，对活动星系能达到94％。
附图说明
图1是基于光谱的恒星与星系的自动识别流程示意图；
图2是非活动与活动天体的自动识别流程图；
图3是恒星与正常星系的自动识别流程图；
图4是组合径向基神经网络的结构图。
具体实施方式
1、数据的标准化
待识别的数据样本矩阵X的M个列变量的量纲或变化幅度不同，其 绝对值大小可能相差许多倍。因此，为了消除量纲和变化幅度不同带来 的影响，原始数据应做标准化处理。
2、采用主分量分析方法构造天体光谱的三维特征空间
选择恒星模板与星系的光谱模板进行主分量分析。步骤如下：假设选 取的光谱样本构成数据矩阵X，X经第1步标准化后，计算协方差距阵 D＝XTX，计算协方差距阵D的本征值与本征矢量矩阵；其本征值从大到 小排列，选取前三个本征值对应的本征矢量，即主分量，构造特征矩阵 EM×3，得到三维的特征空间。待识别的光谱样本x1×M经第1步标准化后， 按x·E投影到此三维特征空间，获得三维的特征点。
3、选择训练样本
训练样本有：恒星光谱样本，其中包括七大光谱型的恒星；星系光谱 样本，其中包括正常星系和活动星系静止模板经过红移后得到的模拟光 谱样本。
4、采用支撑矢量机寻找最优分类面。
对第3步选取的训练样本经过第1步标准化和第2步投影所得到的三 维特征点，采用支撑矢量机，寻找非活动天体与活动天体的最优分类面 函数。待识别样本的三维特征点通过此分类面函数，可识别为非活动或 活动天体。
5、采用主分量分析方法，构造恒星与正常星系的降维特征空间
把包括七大光谱型的恒星光谱与正常星系的静止模板进行主分量分 析，步骤与第2步类似，不同的是这里选取前n维(n＜M)的本征值对 应的本征矢量构造n维的降维特征矩阵HM×n和特征空间。待识别样本经 过第1步标准化，投影到此降维特征空间中，获得降维的特征变量。
6、选择训练样本
训练样本有：恒星光谱样本，其中包括七大光谱型的恒星；正常星系 光谱样本，其中包括四种静止模板经过红移后得到的模拟光谱样本。
7、采用组合径向基神经网络训练分类器
对第6步选取的训练样本经过第1步标准化、在第5步的降维特征空 间上投影，获得降维的特征变量，然后把它们作为组合径向基神经网络 的输入，进行分类器的训练，输出两维，分别表示属于恒星和正常星系 的概率。
8、活动天体与非活动天体的分类
待识别样本经过第1步的标准化、投影到第2步的三维特征空间上， 得到三维的特征点，作为第4步的最优分类面函数的输入，若得到的输 出大于0，则为非活动天体，若小于0，则为活动天体。
9、恒星与正常星系的分类
对第8步识别出的非活动天体的光谱经过标准化、在第5步的降维特 征空间上投影，得到降维的特征变量作为第7步分类器的输入，根据分 类器输出的概率值，选择概率大的一维，判别是恒星还是正常星系。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 新双星系转化普通酒为陈酒或高档酒动态工程系统 | 2020-05-20 | 15 |
| 新双星系在太空定向变搭载物的辅助动态工程系统 | 2020-05-20 | 179 |
| 新双星系转化普通米面为香米面补品米面动态工程系统 | 2020-05-21 | 810 |
| 新双星系促植物快速生长动态工程系统 | 2020-05-17 | 479 |
| 新双星系导致生物患病的武器动态工程系统 | 2020-05-17 | 802 |
| 新双星系超速发酵动态工程系统 | 2020-05-14 | 997 |
| 新双星系健身保健健美和康复动态工程系统 | 2020-05-18 | 598 |
| 新双星系大面积杀灭农林牧渔病虫害动态工程系统 | 2020-05-24 | 296 |
| 新双星系阳光反射镜面阵—生物快长快变阳性系统 | 2020-05-24 | 160 |
| 一种移动终端 | 2020-05-27 | 288 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
