典型文献
一种星系形态分类的新方法
文献摘要：
在天文学研究领域,星系的分类一直是一个热点和难点问题.近年来有学者将机器学习应用于星系形态的简单分类,但在分类过程中出现特征选择困难、特征遗漏、分类器选择困难等一系列问题.星系在视觉形态上可以分为椭圆星系、旋涡星系、透镜星系以及不规则星系.针对SDSS DR16,Galaxy Zoo2和EFIGI目录中星系的测光图像,提出了一种分类精度更高的星系形态分类(Galaxy Morphological Classification,GMC)方法.首先对图像进行剪裁、去噪,然后采用旋转、平移、缩放等方法进行数据增强,最后搭建了星系形态分类网络GMC-net对图像进行分类.从实验结果来看,旋涡星系、椭圆星系、透镜星系以及不规则星系分类精确率分别为98.29％,98.49％,99.18％和99.91％,召回率分别为98.44％,99.03％,98.89％和99.34％;对单独来自EFIGI目录中4种形态星系的分类准确率也达到了99.34％.实验结果表明,星系形态分类相较于其他分类方法表现更好,可以有效地用于星系的形态分类.
文献关键词：
星系形态分类;数据增强;卷积神经网络
中图分类号：
作者姓名：
王林倩;邱波;罗阿理;孔啸;逯亚坤;郭小雨
作者机构：
河北工业大学, 天津 300401;中国科学院国家天文台, 北京 100101
文献出处：
引用格式：
[1]王林倩;邱波;罗阿理;孔啸;逯亚坤;郭小雨-.一种星系形态分类的新方法)[J].天文研究与技术－国家天文台台刊,2022(04):359-370
A类：
星系形态分类,DR16,Zoo2,EFIGI
B类：
天文学,文学研究,学习应用,单分类,分类过程,特征选择,遗漏,分类器,视觉形态,旋涡,透镜,SDSS,Galaxy,中星,测光,分类精度,Morphological,Classification,GMC,剪裁,去噪,平移,缩放,数据增强,分类网络,net,精确率,召回率,分类准确率,分类方法
AB值：
0.30178
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
