王天翔，范玉峰，王晓丽，龙 潜，王传军

1.中国科学院云南天文台,云南 昆明 650011 2.中国科学院大学，北京 100049

引 言

LAMOST，全称“大天区面积多目标光纤光谱望远镜”，是世界上光谱获取率最高的望远镜，可同时获得4 000个天体光谱[1]。目前LAMOST已经发布7季数据，在最新发布的DR7中光谱数量已经高达1 448万条，如何对海量光谱进行有效利用成为亟待解决的问题。对这些光谱进行分类是天文数据处理的重要一环。通过对恒星光谱的分类，研究人员可以从中获取有效温度、质量和半径等物理信息，也可以研究银河系的结构和演化过程[2]。目前主流的恒星分类系统是MK光谱系统。每个恒星都根据其有效温度由高到低排序，依次分为O,B,A,F,G,K和M七种光谱型，每种光谱型又根据温度从高到低细分为0—9的次型光谱，本文不涉及光度型分类。

目前光谱自动分类的方法主要有三种类别，分别是基于距离度量的方法、机器学习的方法和基于模糊逻辑知识系统的专家系统。Schierscher等[3]将Artificial Neural Network(ANN)运用在对Sloan Digital Sky Survey(SDSS) DR7恒星光谱的分类上。Liu等[4]对LAMOST数据使用线指数和SVM算法对恒星光谱进行MK分类。其中SVM方法对A，F和G型恒星分类效果达到90%的准确率，对O，B，K和M型恒星只有52%的准确率。Kaushal等[5]针对已标注数据太少，难以训练深层神经网络分类器的问题，提出一种半监督方法。该方法在无监督学习阶段使用自动编码器对无标签数据进行提取特征和聚类，用有标签数据进行微调，最后在主要光谱类别的平均准确率达到89%。在涉及光谱次型的分类模型上，Gray等[6]提出一种专家系统，通过直接与MK分类标准对比来将恒星光谱分类。……