一種光譜特征自動提取的新方法及應用

　　光譜的特征提取是光譜自動化處理和分析的關鍵環節。近期，北京師范大學王可、郭平等人提出了一種光譜特征自動提取方法，該方法利用大量LAMOST觀測光譜，使用偽逆學習算法訓練局部連接的多層神經網絡。與傳統的多層神經網絡訓練算法相比，偽逆學習算法的應用使得網絡在訓練速度以及參數調優方面具有明顯的優勢。此外，新的網絡結構降低了模型的復雜度，并具有更強的局部特征學習能力，同時能夠降低過擬合的風險。該研究將新的神經網絡模型成功應用于恒星光譜的自動分類以及紅藍端拼接錯誤的光譜修復問題中，在沒有領域知識的前提下，該模型在LAMOST實測光譜數據上取得了良好的試驗結果。

　　該項研究為LAMOST海量光譜的自動分析提供了一種新的方法，同時也可以作為一種通用的光譜特征提取方法應用于其它光譜分析的問題中。該項研究成果已在國際知名天文期刊《皇家天文學會月刊》（MNRAS）上發表。

　　該新模型應用于LAMOST光譜分類中不同波段對分類結果影響的可視化結果。從上至下分別為隨機選出的F、G、K型星光譜；從左至右分別為使用不同大小的滑動窗口遮擋輸入光譜的各個波段，不同顏色代表相應的波段對分類結果的影響，顏色越淺的波段對分類結果的影響越大。

　　利用該新方法修復LAMOST光譜的實例，圖中紅色為原始光譜，黑色為修復后的光譜。