各个领域在近二十年来取得突破性的研究进展

各个领域在近二十年来取得突破性的研究进展内容摘要：

 EM算法  决策树  amp。 … (一 ) 应用举例 :  利用光谱将 K矮星从 K巨星中区分出来  恒星 ,星系和类星体的光谱分类  星系的形态分类  自动的红移确定  通过将发射线分解为几个独立量来研究 发射区的发射线的变化及其结构和动力 学特征  在观测基平面 ,即 p维参数空间的一个子 空间中 , 依据星系的形态 ,测光和动力学 分类来研究低红移星系和高红移星系 (二 ) 特点和优点 :  非监督性  线性分析  PCA通过寻找变量最大投影轴 , 判断有多少 独立变量 , 并将相关量组合成新量 , 这大大可 以减少计算的复杂性 ,同时保证尽可能小地丢 失信息 ,即降维  可以用以分解变量为几个独立分量  相比于反射映射或交叉相关方法 , PCA对样 品要求不高  对数据预处理 , 去掉一些不重要或无关量 (一 ) 应用举例 :  未分辩双星的光谱分类  恒星光谱分类  APM星系的形态分类  区分恒星和星系  将恒星光谱物理参数化  区别不同 活动星系核的光谱 (二 ) 特点和优点 :  监督性  训练性  非线性  难理解性  受训练样本限制  输入量一般要先用 PCA预处理  若采用傅里叶变换 , 不需知红移就可以对光谱分类 但在信噪比低时 , 提高分类的效率 , 红移可以确定  与传统方法相比 , 其具有的优点 : 不需预先对试验样本的统计分布 做假设 ,对各类不 需要直观判断 , 该方法可用于处理各种问题 (一 )应用举例 :  两种情形密度估计 : 星系在红移空间的聚类 恒星在色空间的聚类  EM算法提供了星系在红移空间 的平滑分布 ,准确地描述了数据 库中数据的大小范围特征 ,同时 , 提供了一种证认多维色空间中 的远离正常恒星的天体的方法 , 例如 :高红移类星体的证认 (二 ) 特点和优点 :  利用 AIC amp。 BIC 变坏的概率评价符合程度  优于最好的带核的密度估计方法对分布的 估计 ,同时 ,对输入参数的要求并不严格  优于标准的色选择技巧 , 在于其证认天体是 建立在概率理论基础上  概率密度分布要受到维数的限制 , 而 EM算 法的维数可具方便而定  其描述了数据的正常分布 , 从而可以在高维 空间中证认出远离者。