?各個領域在近二十年來取得突破性的研究進展(編輯修改稿)
2024-11-16 08:46 本頁面
【文章內容簡介】 ? EM算法 ? 決策樹 ? amp。 … (一 ) 應用舉例 : ? 利用光譜將 K矮星從 K巨星中區(qū)分出來 ? 恒星 ,星系和類星體的光譜分類 ? 星系的形態(tài)分類 ? 自動的紅移確定 ? 通過將發(fā)射線分解為幾個獨立量來研究 發(fā)射區(qū)的發(fā)射線的變化及其結構和動力 學特征 ? 在觀測基平面 ,即 p維參數(shù)空間的一個子 空間中 , 依據(jù)星系的形態(tài) ,測光和動力學 分類來研究低紅移星系和高紅移星系 (二 ) 特點和優(yōu)點 : ? 非監(jiān)督性 ? 線性分析 ? PCA通過尋找變量最大投影軸 , 判斷有多少 獨立變量 , 并將相關量組合成新量 , 這大大可 以減少計算的復雜性 ,同時保證盡可能小地丟 失信息 ,即降維 ? 可以用以分解變量為幾個獨立分量 ? 相比于反射映射或交叉相關方法 , PCA對樣 品要求不高 ? 對數(shù)據(jù)預處理 , 去掉一些不重要或無關量 (一 ) 應用舉例 : ? 未分辯雙星的光譜分類 ? 恒星光譜分類 ? APM星系的形態(tài)分類 ? 區(qū)分恒星和星系 ? 將恒星光譜物理參數(shù)化 ? 區(qū)別不同 活動星系核的光譜 (二 ) 特點和優(yōu)點 : ? 監(jiān)督性 ? 訓練性 ? 非線性 ? 難理解性 ? 受訓練樣本限制 ? 輸入量一般要先用 PCA預處理 ? 若采用傅里葉變換 , 不需知紅移就可以對光譜分類 但在信噪比低時 , 提高分類的效率 , 紅移可以確定 ? 與傳統(tǒng)方法相比 , 其具有的優(yōu)點 : 不需預先對試驗樣本的統(tǒng)計分布 做假設 ,對各類不 需要直觀判斷 , 該方法可用于處理各種問題 (一 )應用舉例 : ? 兩種情形密度估計 : 星系在紅移空間的聚類 恒星在色空間的聚類 ? EM算法提供了星系在紅移空間 的平滑分布 ,準確地描述了數(shù)據(jù) 庫中數(shù)據(jù)的大小范圍特征 ,同時 , 提供了一種證認多維色空間中 的遠離正常恒星的天體的方法 , 例如 :高紅移類星體的證認 (二 ) 特點和優(yōu)點 : ? 利用 AIC amp。 BIC 變壞的概率評價符合程度 ? 優(yōu)于最好的帶核的密度估計方法對分布的 估計 ,同時 ,對輸入?yún)?shù)的要求并不嚴格 ? 優(yōu)于標準的色選擇技巧 , 在于其證認天體是 建立在概率理論基礎上 ? 概率密度分布要受到維數(shù)的限制 , 而 EM算 法的維數(shù)可具方便而定 ? 其描述了數(shù)據(jù)的正常分布 , 從而可以在高維 空間中證認出遠離者
教學課件相關推薦
鄂ICP備17016276號-1