针对如何快速实现地面观测获得的时序天文FITS(Flexible Image Transport System)图像的自动化分类和检验问题,提出了一种FITS图像自检验和自分类方法,该方法结合了K-means聚类算法及其思想,同时加入了一种基于皮尔逊相关系数的相似度...针对如何快速实现地面观测获得的时序天文FITS(Flexible Image Transport System)图像的自动化分类和检验问题,提出了一种FITS图像自检验和自分类方法,该方法结合了K-means聚类算法及其思想,同时加入了一种基于皮尔逊相关系数的相似度算法。通过比较该方法与基于有监督的VGG13分类网络和基于无监督的K-means聚类算法应用于真实的天文数据分类得到的错误数量,得出该方法的分类准确率达94%以上。该方法一方面检验出了历史数据中存在的错误情况,摆脱了对关键词IMAGETYP和观测日志的依赖,进一步规范和完善了历史存储的天文FITS数据;另一方面增强了分类的可靠性,提高了数据获取效率,降低了人工成本。展开更多
文摘针对如何快速实现地面观测获得的时序天文FITS(Flexible Image Transport System)图像的自动化分类和检验问题,提出了一种FITS图像自检验和自分类方法,该方法结合了K-means聚类算法及其思想,同时加入了一种基于皮尔逊相关系数的相似度算法。通过比较该方法与基于有监督的VGG13分类网络和基于无监督的K-means聚类算法应用于真实的天文数据分类得到的错误数量,得出该方法的分类准确率达94%以上。该方法一方面检验出了历史数据中存在的错误情况,摆脱了对关键词IMAGETYP和观测日志的依赖,进一步规范和完善了历史存储的天文FITS数据;另一方面增强了分类的可靠性,提高了数据获取效率,降低了人工成本。
