| 摘要 | 第9-11页 |
| ABSTRACT | 第11-13页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 研究背景和意义 | 第14-16页 |
| 1.2 天文光谱数据研究 | 第16-22页 |
| 1.2.1 巡天项目 | 第16-18页 |
| 1.2.2 特殊天体WDMS研究 | 第18-22页 |
| 1.3 天文数据挖掘的研究现状 | 第22-23页 |
| 1.4 本文的主要研究内容 | 第23-24页 |
| 1.5 本文的主要工作和创新点 | 第24-25页 |
| 1.6 论文的组织结构 | 第25-26页 |
| 第2章 WDMS特征提取与最佳维数确定 | 第26-48页 |
| 2.1 WDMS光谱实验数据 | 第26-28页 |
| 2.2 线性特征提取 | 第28-32页 |
| 2.2.1 算法研究 | 第28-29页 |
| 2.2.2 基于PCA的光谱数据降维 | 第29-32页 |
| 2.3 非线性特征提取 | 第32-42页 |
| 2.3.1 算法研究 | 第32-35页 |
| 2.3.2 基于ISOMAP的光谱数据降维 | 第35-37页 |
| 2.3.3 基于深度学习的光谱数据降维 | 第37-42页 |
| 2.4 WDMS最佳维数确定 | 第42-45页 |
| 2.4.1 PCA最佳维数确定 | 第42-43页 |
| 2.4.2 ISOMAP最佳维数确定 | 第43-44页 |
| 2.4.3 栈式自编码最佳维数确定 | 第44-45页 |
| 2.5 实验结果分析 | 第45-47页 |
| 2.6 本章小结 | 第47-48页 |
| 第3章 WDMS分类模型构造 | 第48-69页 |
| 3.1 聚类算法研究 | 第48-52页 |
| 3.1.1 聚类算法 | 第48-49页 |
| 3.1.2 WDMS的聚类实现 | 第49-52页 |
| 3.2 分类算法研究 | 第52-54页 |
| 3.3 支持向量机的参数优化 | 第54-60页 |
| 3.3.1 优化算法研究 | 第54-57页 |
| 3.3.2 基于PSO的参数优化 | 第57-58页 |
| 3.3.3 实验结果分析 | 第58-60页 |
| 3.4 构造WDMS分类模型 | 第60-68页 |
| 3.4.1 构造ISOMAP与优化支持向量机模型 | 第61-62页 |
| 3.4.2 构造k近邻聚类预处理模型 | 第62-64页 |
| 3.4.3 构造栈式自编码深度提取模型 | 第64-65页 |
| 3.4.4 构建One-VS-All多类别自动分类模型 | 第65-66页 |
| 3.4.5 组合模型实验对比 | 第66-68页 |
| 3.5 本章小结 | 第68-69页 |
| 第4章 WDMS颜色特征建模 | 第69-80页 |
| 4.1 建模算法研究 | 第69-72页 |
| 4.2 WDMS颜色特征模型构造 | 第72-77页 |
| 4.2.1 多项式神经网络建模 | 第72-74页 |
| 4.2.2 径向基神经网络建模 | 第74-75页 |
| 4.2.3 实验数据 | 第75页 |
| 4.2.4 实验过程 | 第75-77页 |
| 4.3 实验结果分析 | 第77-79页 |
| 4.4 本章小结 | 第79-80页 |
| 第5章 总结与展望 | 第80-82页 |
| 5.1 本文总结 | 第80-81页 |
| 5.2 研究展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 致谢 | 第88-89页 |
| 攻读学位期间发表的学术论文目录 | 第89-90页 |
| 攻读学位期间参与科研项目情况 | 第90-91页 |
| 发表论文 | 第91-109页 |
| 附件 | 第109页 |