[發明專利]一種基于CNN與LSTM的復合恒星光譜分類方法

在審

• 申請號: 202310244703.8
• 申請日: 2023-03-15
• 公開（公告）號: CN116342939A
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 趙青;李浩;張成奎;張夢祥;孫樂
• 申請（專利權）人: 天津科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/82;G06V10/774;G06V10/77;G06N3/0464;G06N3/0442;G06N3/048;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于CNN與LSTM的復合恒星光譜分類方法，其特征在于包括以下步驟：

步驟1：從LAMOST?DR8數據庫中選取帶有光譜種類的目標種類恒星光譜實驗數據，如G型恒星光譜圖像，并將這些數據進行標準化處理。

步驟2：將取得的恒星光譜數據隨機劃分為訓練集、驗證集、測試集。

步驟3：設計CNN-LSTM復合分類模型，模型的輸入層是長度為3700*1的光譜數據，第一個卷積層的卷積核尺寸設置為15*1，濾波器的個數為20個，激活函數使用Relu。第一個最大池化層使用卷積核的尺寸是5*1，濾波器的個數為20個。第二個和第三個卷積層、最大池化層和第一個卷積層池化層配置一樣。第四個卷積層的卷積核尺寸設置為6*1，濾波器的個數為15個，激活函數使用Relu。第四個最大池化層使用卷積核的尺寸是3*1，濾波器的個數為15個。緊接著后面設計了一個LSTM層，輸出大小為128，激活函數使用的是tanh，為了防止數據過擬合，后面接了一個Dropout函數，配置為0.3。后面設計了一個全連接層包含了1024個神經元，激活函數使用Relu。這里也涉及了一個Dropout函數，配置為0.3。最后的輸出層設置3個或10個神經元，用于表示分類的光譜類別的概率，再用Softmax就可以將多分類的輸出值轉換為范圍在[0，1]，和為1的概率。

步驟4：設置模型每次讀取的數據樣本量batchsize、訓練次數Epoch、梯度下降的學習率l。

步驟5：使用訓練集，驗證集進行CNN-LSTM復合分類模型訓練，并保存訓練完成模型的權重。

步驟6：使用訓練完成的模型進行在測試集中測試模型的分類性能。

2.根據權利要求1所述的基于CNN與LSTM的復合恒星光譜分類方法，其特征在于：所述步驟1從LAMOST?DR8數據庫中選取帶有光譜種類的目標種類恒星光譜實驗數據，如G型恒星光譜圖像，并將這些數據進行標準化處理。為了消除不同光譜的流量強度數值大小相差很大的影響，這里我們引入了Z-Score標準化(zero-mean?normalization)方法，它的公式為：

式中S_N＝(S1，S2，…，Sn)表示原始恒星光譜數據，S1，S2，…，Sn表示給定波長下的流量強度值，S_S表示歸一化后的恒星光譜數據，μ表示S_N中的流量強度值的平均值，σ表示S_N中的流量強度值的標準差。

Z-Score標準化后的恒星光譜數據具有與原始光譜相同的數量級，并仍然保持了原始光譜數據特征之間的相對大小關系。

3.根據權利要求1所述的基于CNN與LSTM的復合恒星光譜分類方法，其特征在于：所述步驟2將取得的恒星光譜數據使用sklearn.model_selection庫中的train_test_split()函數隨機劃分為訓練集、驗證集、測試集。