典型文献
利用高性能混合深度学习网络提升光谱分类性能研究
文献摘要：
随着观测设备的不断完善,人们获得的光谱数量持续上升,如何进一步提高光谱自动分类的性能引起广泛关注.为此,以恒星光谱为研究对象,在近年来新出现的BERT和CNN等深度学习模型的基础上,试图融合了BERT模型和CNN模型在特征提取和智能分类方面的优势,提出高性能混合深度学习网络BERT-CNN,用以探讨该模型在提升光谱分类性能方面的有效性.该模型首先将恒星光谱数据输入BERT模型;然后,利用BERT模型中的Transformer进行特征提取,得到特征向量;最后,将特征向量输入CNN模型,通过softmax分类器获得分类结果.该实验的编程语言为Python3.7,引入TensorFlow1.14作为深度学习模型框架,并以SDSS DR10中的K型、F型、G型的恒星光谱数据作为实验数据集.使用min-max方法对恒星光谱数据做归一化处理,通过与SVM、CNN等分类模型的比较来验证BERT-CNN混合模型在恒星光谱分类中的有效性.引入网格搜索和10折交叉验证来获得模型的实验参数.实验包括两部分:一是利用精准率P、召回率R、调和平均值F1等指标对BERT-CNN模型的恒星光谱分类性能进行评价.当训练数据集占比实验数据集的30％ ～70％ 时,BERT-CNN模型处理K,F和G型恒星光谱数据集的精准率P、召回率R、调和平均值F1随训练样本数的增加而提升.在相同规模的训练样本条件下,BERT-CNN模型在K型恒星光谱数据集上的P,R和F1值均最高,其次是G型恒星光谱数据集,F型恒星光谱数据集上的分类效果较差.二是利用准确率对SVM,CNN和BERT-CNN等模型的对比实验结果进行评价.对K,F和G型恒星光谱数据集上,BERT-CNN模型分类效果最优,其次是CNN模型,SVM模型分类效果较差.表明,BERT-CNN模型有助于提升光谱分类性能.
文献关键词：
光谱分类;深度学习网络;BERT模型;CNN模型
中图分类号：
作者姓名：
刘忠宝;王杰
作者机构：
北京语言大学信息科学学院,北京 100083;中国科学院新疆天文台,新疆 乌鲁木齐 830011
文献出处：
引用格式：
[1]刘忠宝;王杰-.利用高性能混合深度学习网络提升光谱分类性能研究)[J].光谱学与光谱分析,2022(03):699-703
A类：
TensorFlow1,DR10
B类：
混合深度学习,深度学习网络,光谱分类,分类性能,观测设备,持续上升,高光谱,自动分类,恒星,星光,新出现,BERT,深度学习模型,图融合,智能分类,光谱数据,Transformer,特征向量,softmax,分类器,编程语言,Python3,模型框架,SDSS,归一化处理,分类模型,混合模型,入网,网格搜索,交叉验证,召回率,调和平均,训练数据集,模型处理,训练样本,样本条件,分类效果,模型分类
AB值：
0.227729
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。
