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。     

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.     

一种新的活动星系光谱红移自动测量方法

星系红移的自动测量对进行大样本天文学研究如宇宙学大尺度结构研究具有重要意义。星系一般分为正常星系和活动星系两种,活动星系光谱一般具有较明显的发射线特征。文章提出了一种不用精确提取谱线而快速测量活动星系光谱红移的方法。该方法包括步骤：(1)对待测光谱进行去噪;(2)利用小波变换提取低频成分光谱,并用去噪后光谱减去低频谱得到残差谱;(3)计算残差谱的均方差,并保留大于阈值的波长集合(4)根据标准谱线表计算所有候选红移;(5)利用Parzen窗估计方法计算红移密度最大点,并在邻域内求均值确定最终红移。对模拟数据和SDSS DR7部分实测数据的测试表明,该方法是鲁棒的并且具有较高的红移测量正确率。     

一种基于交叉相关的类星体的红移测量方法

给出了一种新的类星体光谱的红移测量方法。首先,利用提取出的发射谱线信息确定一组红移候选;然后,按这些红移候选将静止模板光谱红移,计算所得光谱与目标光谱的相关值;最后,确定最大相关值对应的红移候选为目标光谱的红移。相对于已有的基于谱线匹配的方法,此方法的性能受谱线提取效果的影响较小。实验结果表明： 此方法的鲁棒性较好,性能优于基于谱线匹配的方法。     

基于分形编码的天体光谱降噪方法

为了降低噪声影响,恢复光谱的连续谱和谱线等主要特征,以便准确测量谱线的等值宽度,文章根据天体光谱自身具有局部自相似性,而随机白噪声不具有自相似性,首次将分形方法应用于天体光谱降噪.实验表明,分形降噪方法对于准确测量谱线的等值宽度、星系红移等参数是有效的,此外,还可以实现数据压缩.分形方法适用于海量光谱的降噪和数据存储.     

一种快速求红移和证认谱线的新方法--伪三角法

对于河外天体，谱线证认和红移确定是光谱分析的第一步。本文在仔细分析天体光谱特点的基础上，提出了一种全新的求红移和证认谱线的新方法--伪三角法。该方法利用最强的三根谱线的波长信息构造“三角形”，通过将最大角的“余弦”与已知模板的“余弦”表相匹配，反推得到相应的标准谱线波长，并进而得到红移值。通过这个红移值，可以得到所有的谱线的标准位置，这就相当于谱线证认。结果表明：这种方法在大大减少运算量的同时，保持了较高的正确识别率和极低的误识率。这对海量光谱数据的处理具有重要的意义。同时，该方法立意新颖，简单明了，容易实现。缺点是对于谱线少于3根的光谱以及噪声很大的光谱不能有效地处理。     

一种海量光谱中类星体候选体红移测量与识别的算法

提出一套对海量光谱中类星体的红移测的方法。类星体具有本身的宽发射线的特征,而以往光谱处理方法中,对于宽的发射线的识别存在不足之处。由于类星体的红移一般比较大,谱线移动的范围比较大,不易进行判定。所以本文针对类星体最重要的特征,利用低频点集方法,提取光谱中宽的发射线并与已知线表进行匹配,来获得类星体的红移并能够对类星体进行初步的识别。为提高谱线识别可靠性,文章还提出一种估计局部噪声的方法。该文的方法不依赖与光谱的流量定标,可以应用于无流量定标时的光谱,例如正在调试阶段的LAMOST光谱数据。     

基于Logistic回归模型的Blazar天体的分类

从文献中收集了205个Blazar天体,包括142个BL Lac天体和63个平谱射电类星体(FSRQs).对这些天体的类别与它们的红移、射电5 GHz辐射流量、光学V波段流量、1 keV处X射线流量、X射线光子谱指数进行了相关性和Logistic回归分析.结果表明,对Blazar天体分类产生主要影响的因素是红移、射电5 GHz辐射流量和X射线光子谱指数,综合应用这三个物理量判别Blazar天体的分类的准确率可达到91.2%,得到的分类方程具有良好的预测效果,可以作为Blazar天体分类的一个重要的判据.而光学V波段流量和1 keV处X射线流量不能区分开BL Lac天体和FSRQs,它们与Blazar天体分类没有相关性.本文结果支持将BL Lac天体和FSRQs归为Blazar天体,不同类别的Blazar天体之间能通过一种演化序列相联系. 关键词： Logistic 分类 Blazar天体     

基于相似性度量的星系光谱红移估计

光谱的自动分析对大规模的光谱巡天有着非常重要的意义。文章提出了一种基于相似性度量的星系光谱红移测量方法。方法中采用主分量分析构造星系光谱的静止模板,利用谱线特征确定观测光谱的红移候选,然后根据红移候选进行观测光谱与模板光谱间的相似性度量,所采取的相似性度量策略类似于证据积累的思想,定义为几个相似证据的加权和,从而降低了观测光谱与模板光谱之间的误匹配,提高了红移估计的正确率。通过实验将所提出方法与基于谱线匹配的方法和传统的交叉相关方法进行了比较,实验结果表明：本文方法的正确率较之基于谱线匹配的方法和传统相关法有较大提高。     

基于DBN,SVM和BP神经网络的光谱分类比较

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。     

在SDSS DR8恒星光谱中自动搜寻稀有天体

SDSS DR8海量光谱中包含许多有研究价值的稀有天体,如特殊白矮星(DZ,DQ,DC)、碳星、白矮主序双星、激变变星等,如何在海量光谱中自动搜寻稀有天体有着极其重要的意义。提出一种基于核密度估计和K-近邻(K-nearest neighbor, KNN)相结合的方法在SDSS DR8 信噪比大于5的546 383个恒星光谱中搜寻稀有天体。首先对光谱进行高斯核密度估计,选取概率最小的5 000个光谱作为稀有类,概率最大的300 000个光谱作为普通类,然后进行KNN分类,同时也将5 000个稀有光谱的K个最近邻也作为稀有的天体,结果共有21 193条光谱。为了方便分析,对这些光谱聚类后进行人工检查。这些光谱主要包括由于数据缺失、红化、流量定标不准引起的问题光谱、行星状星云、没有物理联系的光谱双星、类星体、特殊白矮星(DZ,DQ,DC)、碳星、白矮主序双星、激变变星等。通过和SIMBAD,NED,ADS及一些主要的文献交叉验证,我们新发现了3个DZ白矮星、1个白矮主序双星、2个伴星为G型星的激变变星,3个激变变星的候选体、6个DC白矮星,1个DC白矮星候选体和1个 BL Lacertae(BL lac)候选体。还发现了1个有CaⅡ三重发射线和MgⅠ发射线的DA白矮星和1个光谱上表现出发射线的晚M恒星但测光图上像是一个星云或星系。     

一种基于Map/Reduce分布式计算的恒星光谱分类方法

天体光谱中蕴含着非常丰富的天体物理信息,通过对光谱的分析,可以得到天体的物理信息、化学成分以及天体的大气参数等。随着LAMOST和SDSS等大规模巡天望远镜的实施,将会产生海量的光谱数据,尤其是LAMOST正式运行后,每个观测夜产生大约2~4万条光谱数据。如此海量的光谱数据对光谱的快速有效的处理提出了更高的要求。恒星光谱的自动分类是光谱处理的一项基本内容,该研究主要工作就是研究海量恒星光谱的自动分类技术。Lick线指数是在天体光谱上定义的一组用以描述光谱中谱线强度的标准指数,代表光谱的物理特性,以每个线指数最突出的吸收线命名,是一个相对较宽的光谱特征。研究了基于Lick线指数的贝叶斯光谱分类方法,对F,G,K三类恒星进行分类。首先,计算各类光谱的Lick线指数作为特征向量,然后利用贝叶斯分类算法对三类恒星进行分类。针对海量光谱的情况,基于Hadoop平台实现了Lick线指数的计算,以及利用贝叶斯决策进行光谱分类的方法。利用Hadoop HDFS高吞吐率和高容错性的特点,结合Hadoop MapReduce编程模型的并行优势,提高了对大规模光谱数据的分析和处理效率。该研究的创新点为：(1) 以Lick线指数作为特征,基于贝叶斯算法实现恒星光谱分类;(2) 基于Hadoop MapReduce分布式计算框架实现Lick线指数的并行计算以及贝叶斯分类过程的并行化。     

基于相融性度量的光谱分类方法

海量天体光谱的自动分类以及从海量天体光谱中发现新类型天体或新的天文规律(知识发现)已经受到天文工作者的普遍关注。在相关文献中这两方面的研究工作都是分别进行的。文章首先提出了一种相融性度量的概念,该度量能够刻画一个样本与训练样本集融合为一体的程度。然后,在此基础上给出了一种基于相融性度量的k-近邻分类方法。该方法不仅能够实现较准确的分类,而且还具有相当好的知识发现能力。通过对活动星系与活动星系核实验表明,该方法无论对分类还是对知识发现都是非常有效的。     

基于稀疏子空间的类星体光谱异常特征并行提取与分析

类星体是人类所观测到的最遥远天体,对于了解早期宇宙的演化具有重要科学意义。由于类星体距离地球较远,其红移一般较大,导致在光学观测窗口中只有很少的特征（发射线）,且难以识别。类星体光谱的异常特征提取与分析可对未知类星体的识别,提供有效的判别依据。离群检测作为数据挖掘领域的一个主要研究内容,旨在发现那些稀有、特殊数据对象及异常特征,可作为从海量类星体光谱数据中,发现特殊、未知类星体的一种有效途径和手段。Spark作为新一代大数据分布式处理框架,可为海量天体光谱的有效分析和处理,提供一个高效且可靠的并行编程平台。本文充分利用集群系统和Spark编程模型的强大数据处理能力,提出一种基于稀疏子空间的类星体光谱异常特征并行提取与分析方法,其工作由三个模块组成,即类星体光谱特征约减、类星体光谱的稀疏子空间构造和搜索、类星体光谱异常特征提取并行算法设计与分析。类星体光谱特征约减模块,通过属性相关性分析来识别呈现聚类结构的类星体光谱特征线,这些特征线通常会聚集在稠密区域且对类星体光谱异常特征检测毫无意义。光谱特征约减旨在运行异常特征检测算法之前剪枝类星体光谱的冗余特征线,缩小光谱数据检测范围。类星体光谱的稀疏子空间构造和搜索模块,通过设定的稀疏系数阈值来测量类星体光谱的子空间密度,并采用粒子群优化方法作为稀疏子空间的搜索策略,从而快速、高效地获取类星体的异常特征。在第三个模块中,提出了一种MapReduce框架下的类星体光谱异常数据并行检测算法,该算法由并行化数据约减策略、稀疏子空间并行搜索技术两个MapReduce构成,达到适应海量光谱数据的处理目标。最后对检测出的部分类星体异常特征进行了理论分析、测量及人眼证认,充分说明稀疏子空间可为识别特殊、未知类星体候选源,提供有效支持和有力证据。     

基于线性光谱模型和支撑向量机的软硬分类方法

针对硬分类方法中无法解决的混合像元问题及软分类方法中全图共用一套端元进行混合像元分解所带来的弊端,提出了一种新的软硬分类方法。该方法通过分析目标地物在图像中的分布情况,自动计算判别阈值,将图像分为目标地物纯净区域、目标地物混合区域和非目标地物区域。对于目标地物纯净区域和非目标地物区域采用硬分类方法(支撑向量机)快速提取分类信息;对于目标地物混合区域采用软分类方法(端元可变的线性混合像元分解)提取目标地物丰度信息,最后得到目标地物软硬分类结果。通过对北京地区ALOS图像的应用试验,并将新方法与支撑向量机、线性光谱混合模型进行比较,新方法的RMSE值为0.203,总量精度达到95.48%,高于支撑向量机和线性光谱混合模型。实验结果表明,新方法能够有效解决混合像元问题,提高图像分类精度。     

正常星系光谱的一种谱线自动提取方法

正常星系的光谱是天体光谱谱线自动提取中最难处理的一种。文章针对正常星系光谱给出了一种新的谱线自动提取方法。首先,定义了两条光谱间的Max操作,Max操作的结果是生成了一条光谱,该光谱在每个波长处的强度取为在相应波长处强度较大的那一个光谱的强度;然后,通过迭代处理拟合连续谱,在每一步迭代中,先对原始光谱和前一步拟合出的连续谱进行Max操作,再对Max操作生成的光谱进行传统的连续谱拟合;最后,联合采用整体阈值处理和自适应的局部阈值处理提取谱线。实验结果表明：该方法的性能较之传统的小波方法有显著提高,这将对后续的基于谱线的光谱分类和参数测量非常有利。     

光纤传能的移动式激光诱导击穿光谱钢铁快速检测与分类

为了实现工业现场对特种钢材的快速检测与种类识别,采用基于光纤传能的移动式激光诱导击穿光谱（LIBS）样机对14种特种钢材进行光谱数据的采集与分析,采用预选谱线并遍历组合的降维方法与支持向量机(SVM)相结合的算法对特钢材料的光谱进行快速分类。分别将原始光谱数据、归一化处理后的光谱数据、归一化处理+遍历组合优选谱线数据作为SVM分类模型的输入向量,并对比了不同输入向量下模型对特钢识别的准确度。结果表明：在事先选出的51条特征谱线作为输入变量的基础上,归一化光谱数据作为SVM分类模型的输入特征时,识别准确度达到95.71%,明显高于使用原始光谱数据作为输入向量时SVM分类模型的准确度11.43%。进一步地,使用MATLAB程序遍历谱线组合,通过遍历各种谱线组合选出最优的输入谱线组合,当优选6条特定的谱线时,对特钢种类识别的准确度达到100%,且建模速度也有相应提升。可以看出,当预选出大量常见特征数据时,机器自动选取特征与人工挑选谱线相比,具有明显优势,基于此降维方法的SVM算法模型在LIBS快速分类技术中具有很好的工业应用前景。