基于FFCNN的二维恒星光谱分类

天体光谱处理中的一项基本任务是对大量的恒星光谱进行自动分类。到目前为止,恒星光谱的分类工作多是基于一维光谱数据。该研究打破传统的天体光谱数据处理流程,提出了基于二维恒星光谱分类的方法。在LAMOST(the large sky area multi-object fiber spectroscopic telescope)的数据处理流程中,所有的一维光谱都是由二维光谱抽谱、合并得来。二维光谱是由光谱仪产生的图像,包括蓝端图像和红端图像。基于LAMOST二维光谱数据,提出了特征融合卷积神经网络（FFCNN）分类模型,用于二维恒星光谱的分类。该模型是一个有监督的算法,通过两个CNN模型分别提取蓝端图像和红端图像的特征,然后将二者进行融合得到新的特征,再利用CNN对新特征进行分类。所使用的数据全部来源于LAMOST,我们在LMOST DR7中随机选择了一批源,然后获得了它们的二维光谱。一共有14 840根F,G和K型恒星的二维光谱用于FFCNN模型的训练,其中包括7 420根蓝端光谱和7 420根红端光谱。由于三类恒星光谱的数量并不均衡,在训练的过程中分别为每类恒星光谱设置了不同权重,防止模型出现分类失衡现象。同时,为了加快模型收敛,对二维光谱数据采用Z-score归一化处理。此外,为了充分利用所有样本,提高模型的可靠度,采用五折交叉验证的方法验证模型。3 710根二维光谱用作测试集,使用准确率、精确率、召回率和F1-score来对FFCNN模型的性能进行评价。实验结果显示,F,G和K型恒星的精确率分别达到87.6%,79.2%和88.5%,而且它们超过了一维光谱分类的结果。实验结果证明基于FFCNN的二维恒星光谱分类是一种有效的方法,它也为恒星光谱的处理提供了新的思路和方法。     

中美天文专业计算天文类课程设置比较研究

以国内外部分高校的天文系或者天体物理系为调研对象,对其计算天文类课程进行了调研.分析比较了计算天文学课程的教学计划、课程设置、课程内容等在各个学校的开设情况,拓宽了计算天文学课程教学改革的思路.     

热行星为恒星降温

 作为一颗热木星,该如何降温呢？用自己的引力拉抬恒星的表面,冷却并在其表面制造一个暗区。天文学家在《天体物理学杂志通讯》(The Astrophysical JournalLetters) 上报道, 利用开普勒太空望远镜对天鹅座一颗恒星的亮度观测了100 多万次。     

美国伦斯勒理工学院物理系，应用物理和天文学系招生信息(英文)

Rensselaer Polytechnic Institute,Troy,NewYork,U.S.A. JOIN OUR GRADUATE SCHOOL IN PHYSICS Ph.D.in Department of Physics,Applied Physics,and Astronomy Areas of research include Condensed Matter,Optics,Particle,Astrology,and Biophysics. Teaching,research assistantships,and fellowships are available.     

天上力与地上力的统一(Ⅰ)

人类对力的认识经历了漫长的历史过程。力的概念,起先可能是从原始人类在狩猎活动中需要用力投掷石块等以击倒野兽的体验中得来的。公元前4世纪,我国思想家墨翟就对"力"做出了正确的表述,他在《墨     

给正在进食的黑洞称重

 去年, 天文学家在一个非常遥远的星系中心观测到一颗恒星被一个巨大黑洞撕碎时发出的遇难光焰。光焰因发现它的“雨燕”(Swift)卫星而被命名为雨燕J1644+57, 雨燕卫星给出了其位于天龙座的天体坐标。现在, 正像研究者在《科学》网站上报道的那样, 死去恒星的光焰仍然盘旋在黑洞周围, 并放射出X 射线, 从而暴露了凶手的质量。     

恒星大气物理参数估计中的稀疏特征提取

随着斯隆数字巡天项目(SDSS)、欧空局GAIA和我国大天区面积多目标光纤光谱天文望远镜(LAMOST)等项目的相继实施,拥有的恒星光谱数据量急速增加,由此导致基于光谱的恒星大气物理参数自动测量方法的研究成为天文光谱分析的重要课题之一[1]。探讨了恒星光谱特征提取的方法(Haar+lasso),其基本思想是首先使用Haar小波包对原始光谱进行多尺度分解,去除高频系数,选取低频系数作为光谱信息的描述;再采用lasso算法提取最优的特征; 最后将最优特征输入非参数回归模型中对恒星大气参数进行自动测量。Haar小波可以较好地去除原始光谱信号中的高频噪声,对全频谱数据进行降维。lasso算法可以进一步剔除数据冗余, 提取与物理参数相关度较强的特征。Haar+lasso方法提高了物理参数自动测量的准确性和运行效率。我们采用本文方案对SLOAN发布的40 000个恒星子样本的物理参数进行测量,三个物理参数的平均绝对误差为： log Teff: 0.007 1 dex,log g: 0.225 2 dex和[Fe/H]: 0.199 6 dex。同现有相关文献的实验结果相比,该方案可以获得更准确的物理参数。     

基于线指数的核偏最小二乘回归在恒星大气物理参数测量中的应用

恒星大气物理参数(有效温度、表面重力、化学丰度)的自动测量是天体光谱数据自动处理中的一项重要内容。由于光谱数据的高维性的特点,处理运算量非常大,对于光谱的实时分析及处理会造成延误。文章提出了一种基于Lick线指数,利用核偏最小二乘回归(KPLSR) 对恒星大气物理参数进行测量的方法。可以有效地减少运算量并可达到理想的准确率。首先计算Kurucz合成光谱的Lick线指数,利用核偏最小二乘回归方法建立Lick线指数与大气物理参数之间的核回归模型,并利用DR8实测光谱数据对得到的模型进行测试,将测试的结果与SEGUE SSPP提供的大气物理参数进行了对比,取得了比较好的效果。此外,为了检验噪声对参数测量的影响,本文还对Kurucz光谱分别加了信噪比为10, 20, 30, 40, 50, 70, 90, 120的高斯白噪声,对得到的不同信噪比的Kurucz数据进行了测试,实验结果表明,核回归模型对噪声比较敏感,光谱数据的信噪比越高,其大气物理参数的预测精度越高。提出的基于线指数建立核偏最小二乘回归模型的方法运算量小,训练速度快,适合用于恒星大气物理参数的测量。     

基于神经网络的线指数恒星大气物理参数测量方法

通过人工神经网络的方法基于Lick线指数,来进行大气物理参数的测量,对Kurucz的合成光谱进行预处理以适应最后LAMOST光谱数据的要求,以Lick线指数与对应的大气物理参数为输入,用人工神经网络进行训练,得到训练模型通过DR8光谱数据进行测试,通过调整人工神经网络的相关参数来使实验效果达到最佳。结果证明,通过线指数人工神经网络的方法来进行大气物理参数的测量是可行的。     

一种新的恒星大气物理参数自动估计方案SVR(Haar)

提出了一种新的恒星大气物理参数自动估计的新方案,并称之为SVR(Haar)。由于观测光谱受到大量宇宙辐射、大气和观测设备等引起的噪声干扰,且这种噪声干扰往往是其中的频率较高成分。所以该方案的基本思想是首先使用Haar小波剔除高频噪声成份,以提高恒星大气物理参数估计的准确性;然后使用支持向量机回归方法(SVR)对恒星参数做出估计,该方法能通过ε不敏感域进一步提高对光谱微小畸变和干扰的容许能力,增强解决方案的鲁棒性。为了验证SVR(Haar)方案的有效性,针对相关研究中的权威模拟恒星光谱和SLOAN发布的实测光谱,以及文献中的典型处理方法,做了大量比较实验。实验结果表明,所提出的SVR(Haar)恒星参数估计方案比文献中常用的主成分分析和非参数回归模型均要好。