摘要：深度学习是当前机器学习、模式识别和人工智能领域中的一项热点研究技术，非常适用于处理复杂的大规模数据．基于深度学习理论构建了一个5层的栈式自编码深度神经网络，对恒星大气物理参数进行自动估计，网络各层的节点数分别为3821—500—100—50．1．使用美国大型巡天项目Sloan发布的Sloan Digital Sky Survey（SDSS）实测光谱以及由Kurucz的New Opacity Distribution Function（NEWODF）模型得到的理论光谱进行了实验验证，对有效温度（Teff）、表面重力加速度（lg9）和金属丰度（[Fe／H]）3个物理参数进行了自动估计．结果表明，栈式自编码深度神经网络的估计精度较好，其中在SDSS数据上的平均绝对误差分别为：79．95（Teff／K），0．0058（lg（Teff／K）），0．1706（lg（g／（cm·S^-2））），0．1294dex（[Fe／H]）；在理论数据上的平均绝对误差分别是：15．34（Teff／K），0．0011（lg（Teff／K）），0．0214（lg（g／（cm·S^-2））），0．0121dex（[Fe／H]）．

原文链接:http://www.cqvip.com//QK/95096X/201604/669642062.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）