基于卷积型小波包变换的谱线自动提取方法

天体光谱中的谱线包含重要的天体物理信息。文章提出一种基于卷积型小波包变换的谱线自动提取方法。该方法由以下主要步骤组成：(1)将观测光谱进行4层卷积型小波包变换;(2)对第四层小波包系数,采用区域相关算法以及阈值处理方法进行噪声处理;(3)选择中高频小波包系数进行谱线特征重构;(4)根据重构后的谱线特征,利用谱线搜索方法,在观测光谱中提取谱线。作者在实验中用恒星、正常星系和活动星系光谱进行谱线提取测试,结果表明该方法具有对噪声鲁棒和谱线提取准确等特点。用该方法提取sloan digital sky survey(SDSS)光谱中的谱线后,计算了红移并与SDSS给出的红移进行了对比,实验结果间接验证了该方法提取谱线的有效性。     

基于光谱特征的恒星自动识别方法

我国正在实施的大型巡天项目(LAMOST项目),急需恒星光谱自动识别与分类系统并给出了一种基于光谱特征的恒星自动识别方法。该方法由以下主要步骤组成： (1)利用谱线小波特征进行恒星谱线整体估计和恒星Balmer线的检测;(2)利用吸收带小波特征进行吸收带位置和M型星特征频率检测;(3)根据以上检测结果进行发射线星、M型星和早型恒星识别。通过对(sloan digital sky survey, SDSS)(data release four, DR4)中的大量真实光谱数据实验表明,方法具有对噪声鲁棒等特点,发射线星识别率达到97.5%,M型星识别率达到98.1%,早型恒星识别率达到96.8%,类星体和星系的误识别率低于2%。该方法可对相对定标的巡天光谱进行自动识别,符合LAMOST数据的要求。     

基于Haar小波特征的恒星光谱物理参量自动估计

恒星大气物理参数的自动测量是大型巡天计划中海量光谱数据自动处理中的一个重要内容。首先使用多尺度Harr小波对恒星光谱数据进行特征分解,然后选用相应的小波系数作为光谱的特征向量,最后采用非参数回归算法对光谱的物理参数进行估计。研究表明,只需对光谱进行四层小波分解, 并选择第四层小波系数作为光谱的特征向量,即可获得重力加速度和表面有效温度的较好估计。对于化学丰度的估计,选择第一层小波系数作为光谱特征向量可取得较好效果。选用文献相关研究中常用的恒星大气模拟模型合成光谱库ELODIE中光谱数据测试了该方法的有效性。结果表明,基于Harr小波分解的光谱特征提取方法对恒星表面温度、表面重力和化学丰度等物理参数的估计具有较高的精度和鲁棒性。     

小波变换的EDXRF光谱金属组分特征峰位置识别

主要研究X射线荧光光谱金属组分特征谱位置的确定。依据不同金属组分的特征谱特性,分析了特征谱的选取规律,在奇异值分析理论和模极大值理论的基础上,分析了基于特征谱小波分解系数的模极大值提取方法,在不同分解尺度下的特点及其传播特性,提出了基于模极大值传播的区间特征峰筛选方法,并对实际测量光谱进行了实验分析。结果表明：利用bior4.4小波作为基函数对实验测量的全能谱数据进行4层小波变换,利用模极大值传播特性,可以消除全能谱上叠加的部分噪声对光谱分析造成的阶跃影响;为提高特征峰的位置识别概率,对小波变换中小于给定阈值的分解系数进行压缩,将实验获取的X射线荧光全能谱第4层小波分解系数直接进行特征峰识别,得到的677个峰值位置,压缩到186个;在此基础上,再采用模极大值传播的区间特征峰筛选方法,筛选区间初始值设置为600 eV,经识别得到的特征峰峰值位置仅为27个,识别准确率得到有效提高。     

基于离散小波-微分变换算法定量反演火龙果茎枝叶绿素含量的研究

作为一种仙人掌科植物，火龙果植株无叶，主要依靠肉质茎进行光合作用、蒸腾作用等生理功能，火龙果的肉质茎与常见绿叶类植物叶片在组织结构、形态等方面存在明显差异，且二者在植株冠层结构方面也存在明显差异，该差异会直接影响植株冠层光谱特征，进而影响基于与光谱技术的光合色素监测。为探寻提升火龙果茎枝叶绿素含量估测精度的方法，研究以贵州省罗甸县龙坪镇烟山火龙果种植基地为试验区，先采集火龙果茎枝光谱及光谱测定部位的组织，并采用乙醇萃取法测定此组织的叶绿素含量，然后选用传统数学变换、连续小波变换、离散小波变换、离散小波-微分变换方法分别处理分析光谱数据，并采用相关性分析算法提取、筛选敏感特征波段，最后选用偏最小二乘算法构建火龙果茎枝叶绿素含量估测模型，分析结果如下：(1)采用离散小波-微分变换算法，高频信息与低频信息的峰、谷交替依次呈现，且可用信息分部具有较强的稳定性，可用信息随尺度的增加，曲线振幅加大、频率降低。(2)数学变换内的微分变换、连续小波变换、离散小波变换与离散小波-微分变换方法均能明显提升光谱对火龙果茎枝叶绿素含量的敏感性，其中以离散小波-微分变换方法最优，经处理后光谱与火龙果茎枝叶绿素含...     

基于谱线特征匹配的恒星光谱自动识别方法

我国正在实施的大型巡天项目(LAMOST项目),急需恒星光谱的自动识别系统。文章给出了一种基于谱线特征匹配的恒星光谱自动识别方法。该方法由以下主要步骤组成：(1) 利用小波变换的方法对观测光谱进行谱线特征提取;(2) 将提取出的特征和恒星谱线的特征模板进行相关匹配;(3) 根据相关匹配结果进行恒星光谱识别。通过对Sloan Digital Sky Survey (SDSS),Data Release Four (DR4)中的大量真实光谱数据实验表明,该方法具有对噪声鲁棒等特点,正确识别率高达96.7%。该方法可对相对定标的巡天光谱进行自动识别,符合LAMOST数据的要求,可为天文学家进行恒星和银河系的结构等研究提供帮助。     

基于光谱空间变换的遥感图像目标探测方法研究

针对遥感图像在频率域中的表征,提出了一种基于光谱空间变换的遥感图像目标探测方法。该方法首先利用傅里叶变换,将遥感图像从空域转变到频率域;然后利用频谱能量楔状采样和谐波叠置等手段,将不同频谱能量所表征的目标特征信息分解到不同的高、低频段中,由此获取对应目标特征在频率域中的探测标志;最后结合在频谱能量上具有方向和频带选择性的匹配Gabor滤波器,实现了居民楼地物目标的有效探测。试验结果表明,文章所提出的方法能够较好地探测遥感图像的目标信息,并且具有特定方向上目标检测的能力。     

倒伏胁迫下的玉米冠层结构特征变化与光谱响应解析

倒伏胁迫是玉米生产中的主要灾害之一,严重影响玉米的产量、品质和机械收获能力。解析不同倒伏胁迫强度下玉米冠层结构变化规律及其光谱响应机理,是玉米倒伏灾情大范围遥感监测的基础。分别在玉米抽雄期、灌浆中期设置茎倒、茎折、根倒3种强度的倒伏处理,基于田间多频次持续观测实验,分析生育期、倒伏类型对玉米冠层结构动态变化及其自我恢复能力的影响;采用传统光谱变换与连续小波变换方法对倒伏玉米冠层高光谱进行处理,选取叶面积密度（LAD）为玉米倒伏冠层结构特征指标,筛选叶面积密度最佳敏感波段和小波系数,基于随机森林法构建叶面积密度高光谱响应模型,利用未参与建模的实测样本验证模型精度,重点探讨小波分解尺度和光谱分辨率对LAD光谱响应能力的影响规律。研究结果表明：叶面积密度作为单位体积内叶面积总量的冠层结构表征指标,与倒伏胁迫强度具有较好的响应关系,灌浆期的倒伏玉米LAD普遍高于抽雄期,抽雄期LAD整体表现为茎折＞根倒＞茎倒＞未倒伏,灌浆期LAD整体表现为根倒＞茎折＞茎倒＞未倒伏;经连续小波变换后,玉米倒伏冠层光谱对玉米倒伏LAD的响应能力普遍优于传统光谱变换,随着小波分解尺度的增加,LAD与敏感波段的相关性越强,其中10尺度相关系数最高,达0.74;连续小波变换所构建的模型精度普遍优于传统光谱变换,其中由原始光谱小波变换后构建的LAD响应模型精度最高,检验样本的R2为0.811,RMSE为1.763,表明连续小波变换技术可凸显和利用冠层光谱中的细微信息。因此,叶面积密度可有效定量表征不同倒伏胁迫程度的玉米冠层结构变化特征,连续小波变换能有效提升冠层光谱对倒伏玉米结构变化的响应能力,基于随机森林法构建的倒伏玉米叶面积密度诊断模型具有较高的精度和稳定性,可为区域尺度的夏玉米倒伏灾情遥感监测提供先验知识。     

RVM有监督特征提取与Seyfert光谱分类

特征提取是光谱自动识别中的一个基本问题,它决定着光谱识别系统的性能和复杂度。目前的天体光谱自动分类研究主要使用的是基于以线性主成分分析(PCA)、小波变换(Wavelet transform)、人工神经网络(ANN)等为代表的非监督特征提取方法,而它们在特征提取时没有考虑到训练数据中的类别信息,并非按照分类能力进行特征选择和降维。文章研究了相关向量机(RVM)有监督特征提取方法及其在Seyfert光谱细分类中的应用。RVM是机器学习领域在近几年提出的一种Bayesian学习方法,它能有效地融合已有的先验知识、对问题的信念、训练数据和相应的类别信息,并按照分类能力提取特征,在理论上具有很大的潜在优势。另外,初步的实验结果表明,基于RVM的有监督特征提取方法在Seyfert光谱细分类中具有较好的性能。     

改进阈值提升小波和自适应滤波器的开放光路红外光谱去噪

大气污染物的主要组成成分为挥发性有机物(VOCs),傅里叶变换红外光谱技术(FTIR)是现阶段应用广泛的挥发性有机物在线测量方法。开放光路获取到的大气红外光谱(OP-FTIR)易受各种噪声污染,如何有效、快速的去除红外光谱中的噪声是大气在线实时监测系统研究的热点。综合利用提升小波变换结构简单、运算量低的优点以及最小均方误差自适应滤波器的自动调节参数以达最优化滤波的性能,提出了一种改进阈值提升小波结合自适应滤波的红外光谱去噪算法。该算法先通过改进阈值小波系数的提升小波去噪,在去噪的同时保留更多光谱特征信息,然后使用提升小波变换分解出的高频系数重构出噪声相关信号,将其作为最小均方误差自适应滤波器的参考输入进行二次滤波处理,最终获得的去噪信号很好的去除了与特征光谱频谱重叠的噪声信号。分别对人工添加噪声的标准红外光谱和合肥市市区上空实测开放光路红外光谱进行去噪处理,结果显示使用该算法处理后的光谱信噪比(SNR)较离散小波传统阈值去噪方法高出3db,均方根误差(RSME)平均减少30%左右,运行时间减少46%。表明该算法计算简单、运行速度快,对于大气环境监测实时消噪系统具有重要的实际应用意义。     

不同光谱型的低分辨率恒星光谱在不同信噪比条件下视向速度测量精度的分析

恒星的视向速度对于研究银河系的演化结构和动力学有很重要的意义,同时也是寻找变源和特殊天体的一种手段。不同的研究对其测量精度有不一样的要求。使用模板匹配的方法计算不同类型的低分辨率可见光波段恒星光谱的视向速度精度,从而为不同方面的科学研究提供有效可靠的参考。分别选取不同光谱型高信噪比的美国斯隆巡天恒星光谱,并加以噪声来模拟不同信噪比条件下的恒星光谱。通过分别计算这些恒星样本的视向速度,定量分析了各种类型的恒星在不同信噪比条件下能达到的视向速度测量精度。同时,还就白矮星的视向速度测量精度进行了分析。结果显示,对于相同信噪比的早型恒星的视向速度测量精度远没有晚型恒星的测量精度高,尤其是A型星的视向速度测量标准误差是K型星和M型星的5~8倍。分析其原因,主要是由于不同类型恒星的具有不同宽度的谱线所导致的。因此对于具有更宽谱线的白矮星光谱的视向速度测量误差更大,可达50 km·s-1。以上结论将为恒星科学研究提供很好的参考。     

基于谱线检测的发射线星自动识别方法

针对我国即将建成的大型巡天项目(LAMOST),给出了一种基于谱线检测的发射线星自动识别方法.主要步骤:1)通过获取谱线特征匹配值进行恒星谱线整体估计;2)利用提取出的恒星谱线特征检测恒星的巴耳末(Balmer)线;3)对获取的特征匹配值采用阈值法,并结合恒星Balmer线的检测结果,进行发射线里判别.通过对SDSS DR4所有光谱进行识别,共获得了242条具有恒星发射线的特殊天体.根据星表查询结果,这些天体包括发射线星、激变变星和一些未知特殊天体等.大量真实光谱数据实验表明,本文方法可有效识别发射线星.     

低信噪比巡天数据中特殊恒星光谱的搜寻方法

特殊恒星是金属丰度异常的恒星,其中包含的信息对于研究宇宙起源、太阳系的演变以及生命的演化都有着重要的意义。因此,特殊恒星的搜寻是国内外巡天项目中的重要目标。恒星光谱中包含着恒星的化学成分、物理性质以及运动状态等丰富的信息,它是开展恒星研究的重要依据。恒星的识别、分类以及特殊恒星的发现主要依据的是恒星光谱数据。随着LAMOST和SDSS等国内外大规模数字巡天项目的深入展开,恒星光谱的数据量达到了前所未有的高度,如此大的数据量为特殊恒星的发现提供了强有力的支撑。因此如何利用这些数据快速准确地发现特殊、稀少甚至于未知类型的恒星光谱是天文学研究的重要问题。数据挖掘是结合模式识别、机器学习、统计分析及相关专家背景知识,从数据中提取出隐含的过去未知的有价值的潜在信息的技术,其在处理大数据方面有着天然的优势,越来越多的数据挖掘方法被应用到巡天数据处理及分析之中。目前针对特殊恒星搜寻的数据挖掘算法主要包含随机森林、聚类分析以及异常值检测等,但随着巡天深度的拓展,观测的目标越来越暗,进而观测光谱的信噪比也随之变低。低信噪比光谱中存在着大量的无用信息,直接利用相关算法对其进行分析处理得到的结果往往存在很大的偏差。因此,如何从大量低信噪比恒星光谱巡天数据中有效地搜寻出特殊的恒星光谱,是当前面临的一个重要问题。由于低信噪比恒星光谱本身的特点,对于从中搜寻特殊恒星光谱的工作开展较少。为了解决此问题,在仔细研究光谱数据处理方法的基础上,针对低信噪比巡天数据中特殊恒星光谱的搜寻,提出了一种以主成分分析（PCA）和基于密度峰值聚类为基础的方法。该方法首先选取O,B,A,F,G,K和M各种类型的高信噪比恒星光谱,进行波长统一和流量插值后,利用主成分分析得到特征光谱;然后利用方差贡献率最大的前几个特征光谱对低信噪比的恒星光谱进行重构得到高信噪比的光谱;最后利用重构之后的高信噪比光谱进行聚类,聚类分析中得到的离群数据即为所要搜寻的特殊恒星光谱。在聚类时,考虑到恒星光谱数据本身的特点,采用了一种基于密度峰值的聚类方法来进行聚类及离群点的挖掘。实验表明,该方法能够在低信噪比的恒星光谱巡天数据中准确地搜寻出数量相对较少的特殊恒星。同时,也可应用于诸如LAMOST、SDSS等各种银河系巡天的光谱数据分析与挖掘中。     

谱线自动提取的小波变换零交叉点方法

将原始光谱进行小波变换,然后研究谱线在小波变换域内呈现的特性,通过引入上、下零交叉点的概念,分析并得到吸收线和发射线分别对应于不同类型的零交叉点的结论。提出一种小波变换零交叉点方法用于提取谱线和拟合连续谱,与传统方法相比,该方法可以同时得到连续谱和谱线,并且无需专门去噪处理,克服了传统方法因拟合连续谱失真和去噪过程中带来的误差导致提取谱线不准确的缺点。通过对恒星、近邻星系等的试验表明,该方法是有效的, 对特征参数计算和基于谱线的光谱分类是非常有利的。     

一种抗噪声的M型星视向速度测量方法

M矮星是银河系中最普遍的恒星,它们的运动状况能提供银河系演化的线索,视向速度(RV)是反映M矮星运动状况的重要参数之一。我国的大科学工程LAMOST巡天项目已经获得了数十万M型星光谱,测量这些恒星的视向速度需要自动、高效的程序。计算M矮星视向速度的一般方法是将观测光谱与模板光谱进行交叉相关得出。然而在实际处理过程中,由于本质上的不同或者噪声的影响,一些观测光谱和模板光谱错误匹配,从而使得这些光谱的视向速度测量产生偏差。为了减少噪声等因素的影响,对于信噪比较高、但局部有较强噪声的光谱,采用统计与经验特征相结合的方法选取光谱中的有效特征段、避开噪声污染的波段计算M型星的视向速度。利用该方法对LAMOST DR3 M型星星表中的部分实测光谱测量了视向速度,将之与APOGEE星表中的对应视向速度进行了对比。结果表明该方法有效地减少了局部噪声对视向速度的影响,提高了视向速度测量的准确率。     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

恒星巡天光谱中天光残留成分的自动识别与检测

天光作为一种主要的噪声,叠加在目标天体光谱之中,降低了光谱的信噪比。经过减天光处理后,若光谱中仍含有大量强度高的天光残差将不利于对目标光谱的后续分析。自动识别减天光异常恒星光谱的研究较少,目前只能通过人工检测的方法去寻找减天光异常的光谱,效率较低。首先对影响减天光结果的因素进行分析,找出减天光异常光谱的特征,然后提出一种简单有效的方法能够自动识别LAMOST巡天经过Pipeline处理之后仍然存在减天光异常的恒星光谱并检测其位置。该方法先对光谱进行归一化处理,然后通过检测天光线附近是否有一定强度的类似发射线或吸收线的残留来判定该天光线位置是否出现减天光异常,最后得出光谱中所有的减天光异常的天光位置。通过对LAMOST光谱数据的实验表明,这种方法可以有效识别出减天光异常的光谱和发现不同残留强度的天光线异常位置,并且该方法简单易懂,识别效率高,可以应用于大量的减天光异常光谱的识别与检测问题。     

基于均值漂移实现非发射线天体光谱的谱线自动提取

非发射线天体的光谱是天体光谱谱线提取中最难处理的一种。针对非发射线天体,给出了一种基于均值漂移的谱线自动提取方法。首先,利用均值漂移总是指向局部密度最大点也即密度的模式点这一性质,提取出较为满意的伪连续谱;其次,均值漂移滤波同时工作在空间域和幅度域上,是一种非线性的边缘保持滤波方法,在去除噪声的同时,能够较好地保持特征谱线的信息,文章在连续谱归一化后,采用均值漂移去噪得到谱线光谱;最后,对谱线光谱设置局部阈值提取出特征谱线。通过对恒星、正常星系等的实验表明：该方法是有效的, 这将对后续的参数测量和基于谱线的光谱分类非常有利。