【技术实现步骤摘要】
本专利技术涉及小行星物理特性反演领域，尤其是一种基于多参数约束的小行星材质分类方法、系统和装置。
技术介绍
1、小行星对于太阳系和行星的形成与演化以及地球生命起源等研究具有重要价值。不同材质的小行星被认为形成于早期太阳系的不同区域，并可能在漫长的演化过程中经历碰撞和轨道迁移。不同材质的小行星上所含的矿物资源的种类和含量存在差异。因此，对小行星材质进行分类不仅是研究其物理特性的基础，也是支持抵近探测、太空资源开发和行星防御的关键。
2、小行星材质分类主要使用光谱、多色测光、反照率和偏振等数据进行。其中，光谱型分类是常用的方法。光谱范围越长，小行星类型的可分性通常越高。仅依靠可见光波段或仅近红外波段难以有效区分许多类型，比如c和x复合体。光谱的波长范围、分辨率和质量，以及分类方法的性能，都影响着分类结果的可靠性。目前的小行星光谱分类结果大多源于地基望远镜观测数据。gaia空间望远镜在2023年发布了gdr 3数据集，包含了5万多颗小行星的可见光光谱。与大多数地基观测数据相比，gaia的光谱范围较短(0.37-1.03μm)，且光谱分辨率也低得多，仅为44nm。这对于准确判定小行星类型是一个不小的挑战。因此，用于超低色散光谱的小行星材质准确分类方法是亟需的。
3、目前，人工设计的小行星光谱型分类方法，通常利用主成分变换，结合光谱的斜率和细微特征设计分类流程。每当面对新的光谱数据集时，这种传统的人工解译方法都需要设计一套新的分类规则。近年来，基于机器学习的小行星材质分类方法不断发展，包括使用朴素贝叶斯、支持向量机
4、然而，已有的方法主要仅基于光谱数据。实际上，小行星材质与其本身的其他物理属性、轨道特性以及测光信息存在潜在关联。比如，有研究发现，小行星为c型或s型的概率与轨道半长轴存在显著相关性。因此，有必要从更为丰富的输入信息中提取对小行星类型有约束的深层特征，以提升分类结果的可靠性。此外，目前基于人工智能的方法主要使用全连接网络，对深度学习领域先进算法的引入和任务针对性不足，网络结构有待优化，分类算法的泛化精度有待提升。
5、因此，亟待提供一种基于多参数约束的小行星材质分类方法。
技术实现思路
1、为了解决以上问题，本专利技术技术方案提供一种基于多参数约束的小行星材质分类方法、系统和装置，能够基于多种小行星参数将小行星进行材质分类。
2、根据本专利技术技术方案的第一方面实施例，提供一种基于多参数约束的小行星材质分类方法，包括：
3、步骤s1、获取小行星的光谱、特性参数和类别标签；
4、步骤s2、将获取的所述光谱、特性参数和类别标签进行数据预处理，构建小行星材质综合分类数据集；
5、步骤s3、构建深度学习模型asternet和随机森林模型rf；
6、步骤s4、基于所述小行星材质综合分类数据集分别对所述深度学习模型asternet和所述随机森林模型rf进行训练，得到各自的最优模型；
7、步骤s5、将两种所述最优模型集成得到asterrf模型，基于所述asterrf模型进行小行星分类。
8、在上述方案中，所述步骤s1包括：
9、s1.1、通过地基或空间望远镜观测并处理得到所述小行星的光谱；
10、s1.2、通过多个数据库获取所述小行星特性参数，所述特性参数包括：测光参数、物理参数与轨道参数；
11、s1.3、收集现有的小行星分类结果，进行整合，得到所述小行星的初步类别标签。
12、在上述方案中，所述步骤s2包括：
13、s2.1、将光谱反射率在0.55μm处归一化为1，并去除该通道，以及第一个通道和最后一个通道；
14、s2.2、基于小行星编号将多个所述数据库进行匹配，得到对应的所述小行星的全部特性参数；
15、s2.3、基于所述特性参数的质量标签或描述，去除所述特性参数为空值、双/多小行星参数，以及所述特性参数可靠性低于阈值的对象；
16、s2.4、根据所需类型将已有所述小行星的类型标签进行合并，将合并后的所述小行星的类型标签作为所述小行星材质综合分类数据集的类型标签；
17、s2.5、基于信息增益比评估单个特性参数的贡献，去除贡献小的特性参数，基于斯皮尔曼相关系数衡量两两参数间的相关程度，去除彼此之间强相关的参数；
18、s2.6、将所述光谱和特性参数的数据进行扩充和标准化；
19、s2.7、扩充和标准化后的所述光谱和特性参数划分成多组，以构成所述小行星材质综合分类数据集。
20、在上述方案中，步骤s3中构建深度学习模型asternet包括：
21、通过双分支结构分别提取所述小行星的光谱数据和特性参数数据的特征，并通过自注意力机制完成两个分支特征的融合，以构建基于多参数约束的小行星材质分类网络的深度学习模型asternet。
22、在上述方案中，步骤s3中构建随机森林模型rf包括：
23、构建包含100棵决策树的随机森林模型rf，所述随机森林模型rf的输入数据是小行星光谱与特性参数拼接成的一维向量。
24、在上述方案中，步骤s4包括：
25、s4.1、将所述小行星材质综合分类数据集内的多组数据分别进行训练和验证，根据验证结果的平均值作为所述深度学习模型asternet和所述随机森林模型rf的评估标准；
26、s4.2、使用所述随机森林模型rf对所有小行星光谱与特性参数的组合进行不同初始化的3次独立实验，基于s4.1的评估标准，得到验证精度最高的前100种参数组合，取最高验证精度作为随机森林最优模型；
27、s4.3、所述深度学习模型asternet在步骤s4.2中选出的100种参数组合上进行不同初始化的3次独立实验，取最高验证精度作为深度学习最优模型。
28、在上述方案中，步骤s5包括：
29、s5.1、输入待分类小行星的光谱和参数，获取基于输入的所述参数组合所对应的所述随机森林最优模型和所述深度学习最优模型；
30、s5.2、将所述待分类小行星的光谱和参数进行步骤s2.1，s2.2，s2.6中标准化的预处理；
31、s5.3、使用所述随机森林最优模型和所述深度学习最优模型分别识别所述待分类小行星，将二者的预测值进行加权平均，并通过softmax激活得到预测结果，即为集成模型asterrf的输出，由此得到所述待分类小行星的分类结果。
32、在上述方案中，步骤s2.5包括：
33、去除信息增益比低于0.01的特性参数以及斯皮尔曼相关系数高于0.9的特性参数。
34、根据本专利技术技术方案的第二方面实施例，提供一种基于多参数约束的小行星材质分类系统，本文档来自技高网...
【技术保护点】
1.一种基于多参数约束的小行星材质分类方法，其特征在于，包括：
2.根据权利要求1所述的基于多参数约束的小行星材质分类方法，其特征在于，所述步骤S1包括：
3.根据权利要求2所述的基于多参数约束的小行星材质分类方法，其特征在于，所述步骤S2包括：
4.根据权利要求1所述的基于多参数约束的小行星材质分类方法，其特征在于，步骤S3中构建深度学习模型AsterNet包括：
5.根据权利要求3所述的基于多参数约束的小行星材质分类方法，其特征在于，步骤S3中构建随机森林模型RF包括：
6.根据权利要求5所述的基于多参数约束的小行星材质分类方法，其特征在于，步骤S4包括：
7.根据权利要求6所述的基于多参数约束的小行星材质分类方法，其特征在于，步骤S5包括：
8.根据权利要求3所述的基于多参数约束的小行星材质分类方法，其特征在于，步骤S2.5包括：
9.一种基于多参数约束的小行星材质分类系统，其特征在于，所述系统用于实现权利要求1-8中任一项所述的基于多参数约束的小行星材质分类方法，所述系统包括：
10.一种电子设备，其特征在于，所述电子设备包括：
...【技术特征摘要】
1.一种基于多参数约束的小行星材质分类方法，其特征在于，包括：
2.根据权利要求1所述的基于多参数约束的小行星材质分类方法，其特征在于，所述步骤s1包括：
3.根据权利要求2所述的基于多参数约束的小行星材质分类方法，其特征在于，所述步骤s2包括：
4.根据权利要求1所述的基于多参数约束的小行星材质分类方法，其特征在于，步骤s3中构建深度学习模型asternet包括：
5.根据权利要求3所述的基于多参数约束的小行星材质分类方法，其特征在于，步骤s3中构建随机森林模型rf包括：
【专利技术属性】
技术研发人员：张晓明，王建峰，曾显群，邱鹏，王汇娟，姜晓军，葛家驿，
申请(专利权)人：中国科学院国家天文台，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。