光谱的特征提取是光谱自动化处理和分析的关键环节。该方法利用大天区面积多目标光纤光谱天文望远镜(LAMOST)的观测光谱，使用伪逆学习算法训练局部连接的多层神经网络。与传统的多层神经网络训练算法相比，伪逆学习算法的应用使得网络在训练速度以及参数调优方面具有明显的优势。
此外，新的网络结构降低了模型的复杂度，并具有更强的局部特征学习能力，同时能够降低过拟合的风险。该研究将新的神经网络模型成功应用于恒星光谱的自动分类以及红蓝端拼接错误的光谱修复问题中，在没有领域知识的前提下，该模型在大天区面积多目标光纤光谱天文望远镜(LAMOST)实测光谱数据上取得了良好的试验结果。
该项研究为LAMOST海量光谱的自动分析提供了一种新的方法，同时也可以作为一种通用的光谱特征提取方法应用于其它光谱分析的问题中。该项研究成果已在国际知名天文期刊《皇家天文学会月刊》上发表。
该新模型应用于LAMOST光谱分类中不同波段对分类结果影响的可视化结果。从上至下分别为随机选出的F、G、K型星光谱；从左至右分别为使用不同大小的滑动窗口遮挡输入光谱的各个波段，不同颜色代表相应的波段对分类结果的影响，颜色越浅的波段对分类结果的影响越大。
利用该新方法修复LAMOST光谱的实例，图中红色为原始光谱，黑色为修复后的光谱。
来源：天马行文
