常丽娜
- 作品数：2 被引量：4H指数：1
- 供职机构：暨南大学信息科学技术学院更多>>
- 发文基金：教育部人文社会科学研究基金更多>>
- 相关领域：天文地球更多>>
- 多任务Lasso回归法在恒星光谱物理参量估计中的应用被引量：4
- 2015年
- 多任务学习方法在机器学习、计算机视觉、人工智能领域已得到广泛关注,利用任务间的相关性,将多个任务同时学习的效果优于每个任务单独学习的情况.采用多任务Lasso回归法(Multi-task Lasso Regression)用于恒星光谱物理参量的估计,不仅可以获取不同物理参量间的共同的特征信息,而且也可以很好地保留不同物理参量的特有的补充信息.使用恒星大气模拟模型合成光谱库ELODIE中的光谱数据和美国大型巡天项目Sloan发布的SDSS实测光谱数据进行实验,模型估算精度优于相关文献中的方法,特别是对重力加速度(lg g)和化学丰度([Fe/H])的估计.实验中通过改变光谱的分辨率,施加不同信噪比(SNR)的噪声,来说明模型的稳定性强.结果表明,模型精度受光谱分辨率和噪声的影响,但噪声对其影响更大,可见,多任务Lasso回归法不仅操作简便,稳定性强,而且也提高了模型的整体预测精度.
- 常丽娜张培爱
- 基于Lasso的多任务学习方法在恒星物理参量估计中的应用
- 在机器学习、计算机视觉、人工智能领域得到广泛关注的多任务学习方法,能充分利用任务间潜在的丰富信息,将多个任务同时进行并行学习,效果好于单个任务独立运算的情况。Lasso算法可以使数据维数降低,提取到少量的特征,减少了数据...
- 常丽娜
- 关键词：多任务学习恒星
- 文献传递
