基于Fisher判别的半监督天体光谱数据特征降维

盛 英

(太原科技大学计算机科学与技术学院，太原030024)

由于空间属性的存在，天体具有了空间位置和距离的概念，并且相邻天体之间存在一定的相互作用，天文数据之间的关系极其复杂。与其它数据相比，天文数据将以TB甚至PB计量，巨大的数据量和变化范围给分类带来很大的困难;天文数据的多波段性以及属性增加极为迅速，从如此高维的空间中提取信息、发现知识，极易引起维灾难[1]。数据降维能够把高维数据映射到较低维的空间，并且保存原始数据的绝大部分信息，有利于天体光谱数据的分类、聚类、可视化等。

目前，依据有无标号信息，天体光谱数据降维主要分两类:监督降维和无监督降维。其中典型的无监督降维工作有:覃冬梅、胡占义等提出一种基于主分量分析的恒星光谱快速分类法，通过PCA方法提取恒星光谱的主要主分量，得到降维后的样本特征点，实现了最近邻分类器的快速准确分类[2];张怀福等利用小波包提取光谱特征，研究了活动天体和非活动天体光谱的分类[3];段福庆等提出了基于Bayes决策的光谱分类，在PCA特征提取的基础上，利用Bsyes决策实现光谱分类[4];姜斌等提出了基于二维主分量分析的光谱数据降维方法[5]。总之，以PCA、小波变换等为代表的无监督降维不足之处是没有考虑训练样本中的标号信息，仅仅在指定特征向量个数的前提下，实现对原始数据的最大近似。典型的监督降维工作有:赵梅芳等提出了基于K近……