一种基于遗传优化的BP神经网络的测光红移估计算法

除了星系的光谱红移之外，星系测光红移的估计也对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目最新发布的SDSS DR13的150 000个星系的测光及光谱数据，在红移值Z<0.8范围内，先使用SOM自组织神经网络对星系样本进行早型星系和晚型星系的聚类，然后用遗传算法优化后的BP神经网络对星系的测光红移进行估算。估算结果与作为标准的已知星系光谱红移进行比对，早型星系的红移估计最小均方误差约为0.001 3，晚型星系最小均方误差约为0.001 7。实验结果表明，遗传优化的BP算法在精度上优于BP神经网络算法，且效率上优于K近邻、核回归等传统测光红移估计算法。     

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Bayes决策的光谱分类

天文观测技术的迅速发展推动了大规模的星系光谱巡天计划如SDSS、LAMOST等,面对这些巡天项目所观测到的海量光谱数据,研究自动的光谱分析方法已成为必然的选择。研究了基于Bayes决策的光谱分类方法,将光谱分为恒星,星系和类星体三类。首先采用主分量分析来进行特征提取,将光谱投影到由三个主分量构成的特征空间中;然后,采用非参数密度估计Parzen窗法来估计类条件概率密度函数;最后利用基于最小错误率的Bayes决策进行分类。在Parzen窗法中,核宽很大程度上影响着估计效果,从而影响着分类效果。通过详尽的实验分析了核宽和分类效果的关系,发现当核宽接近某个阈值时,识别率将会增加,但小于这个阈值时,识别率反而下降。     

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。     

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。     

基于特征约束的谱线自动提取

已有的谱线自动提取方法均采用整体阈值约束或局部阈值约束进行谱线识别,因而谱线提取结果中普遍存在谱线遗失或伪谱线过多的缺点.文章在谱线识别时加入了2个特征约束,第1个特征约束是:谱线线心的强度必须大于局部阈值和整体下阈值,并且如果某一点的强度大于整体上阈值,则可认为在该点存在谱线;第2个特征约束是:谱线的起始波长和终止波长处的强度必须小于谱线线心的强度.这2个特征约束使得该文的谱线提取效果较之已有方法有显著的提高.通过实验对该文方法和已有的方法进行了比较,实验结果充分体现了该文方法的优势.     

用于红移测量的基于密度估计的模板匹配法

文章给出了一种基于密度估计的模板匹配法来确定红移，将确定红移问题转化为寻找密度最大点问题。该方法首先利用基于均值漂移的谱线自动提取方法提取出特征谱线；再根据提取出的特征波长序列与模板的谱线表，由红移公式构造出一个数据集Z；最后，寻找数据集中的密度最大点，对密度最大点的ε-邻域中的点进行平均得到红移值。该方法利用了特征波长和谱线类型信息，可以处理各种类型的天体。在构造数据集时忽略谱线类型不匹配及特征波长明显不匹配的情况，这就去除了很大的干扰并且加快了运行速度。试验结果表明：该方法的稳定性较好，正确率也较高。     

基于卷积神经网络的恒星光谱自动分类方法

恒星光谱自动分类是研究恒星光谱的基础内容，快速、准确自动识别、分类恒星光谱可提高搜寻特殊天体速度，对天文学研究有重大意义。目前我国大型巡天项目LAMOST每年发布数百万条光谱数据，对海量恒星光谱进行快速、准确自动识别与分类研究已成为天文学大数据分析与处理领域的研究热点之一。针对恒星光谱自动分类问题，提出一种基于卷积神经网络(CNN)的K和F型恒星光谱分类方法，并与支持向量机(SVM)、误差反向传播算法(BP)对比，采用交叉验证方法验证分类器性能。与传统方法相比CNN具有权值共享，减少模型学习参数；可直接对训练数据自动进行特征提取等优点。实验采用Tensorflow深度学习框架，Python3.5编程环境。K和F恒星光谱数据集采用国家天文台提供的LAMOST DR3数据。截取每条光谱波长范围为3 500~7 500 部分，对光谱均匀采样生成数据集样本，采用min-max归一化方法对数据集样本进行归一化处理。CNN结构包括：输入层，卷积层C1，池化层S1，卷积层C2，池化层S2，卷积层C3，池化层S3，全连接层，输出层。输入层为一批K和F型恒星光谱相同的3 700个波长点处流量值。C1层设有10个大小为1×3步长为1的卷积核。S1层采用最大池化方法，采样窗口大小为1×2，无重叠采样，生成10张特征图，与C1层特征图数量相同，大小为C1层特征图的二分之一。C2层设有20个大小为1×2步长为1的卷积核，输出20张特征图。S2层对C2层20张特征图下采样输出20张特征图。C3层设有30个大小为1×3步长为1的卷积核，输出30张特征图。S3层对C3层30张特征图下采样输出30张特征图。全连接层神经元个数设置为50，每个神经元都与S3层的所有神经元连接。输出层神经元个数设置为2，输出分类结果。卷积层激活函数采用ReLU函数，输出层激活函数采用softmax函数。对比算法SVM类型为C-SVC，核函数采用径向基函数，BP算法设有3个隐藏层，每个隐藏层设有20，40和20个神经元。数据集分为训练数据和测试数据，将训练数据的40%，60%，80%和100%作为5个训练集，测试数据作为测试集。分别将5个训练集放入模型中训练，共迭代8 000次，每次训练好的模型用测试集进行验证。对比实验采用100%的训练数据作为训练集，测试数据作为测试集。采用精确率、召回率、F-score、准确率四个评价指标评价模型性能，对实验结果进行详细分析。分析结果表明CNN算法可对K和F型恒星光谱快速自动分类和筛选，训练集数据量越大，模型泛化能力越强，分类准确率越高。对比实验结果表明采用CNN算法对K和F型恒星光谱自动分类较传统机器学习SVM和BP算法自动分类准确率更高。     

基于非参数回归与Adaboost的恒星光谱自动分类方法

通过对恒星光谱进行分析可以研究银河系的演化与结构等科学问题,光谱分类是恒星光谱分析的基本任务之一。提出了一种结合非参数回归与Adaboost对恒星光谱进行MK分类的方法,将恒星按光谱型和光度型进行分类,并识别其光谱型的次型。恒星光谱的光谱型及其次型代表了恒星的表面有效温度,而光度型则代表了恒星的发光强度。在同一种光谱型下,光度型反映了谱线形状细节的变化,因此光度型的分类必须在光谱型分类基础上进行。本文把光谱型的分类问题转化为对类别的回归问题,采用非参数回归方法进行恒星光谱型和光谱次型的分类;基于Adaboost方法组合一组K近邻分类器进行光度型分类,Adaboost将一组弱分类器加权组合产生一个强分类器,提升光度型的识别率。实验验证了所提出分类方法的有效性,光谱次型识别的精度达到0.22,光度型的分类正确率达到84%以上。实验还对比了两种KNN方法与Adaboost方法的光度型分类,结果表明,利用KNN方法对光度型分类精度低,而基于弱分类器KNN的Adaboost方法将识别率大幅提升。     

一种重复观测低信噪比光谱的处理方法

目前我国LAMOST光谱巡天已发布超过760万条的天体光谱，对其中大量的低信噪比光谱的处理一直是业内公认的难题。针对天体光谱中重复观测的光谱，提出了一种新的处理方法。该方法的主要内容为：对每一组重复观测光谱，选择其红移值的差距在一定范围内的组别，然后使用一种基于信噪比加权的最优叠加方法来提高光谱的信噪比。通过对LAMOST DR4中所有重复观测光谱进行处理，证明该方法对于提高低信噪比重复观测光谱的信噪比十分有效。使7 571组恒星光谱的信噪比达到参数测量的标准，3 357组类星体和星系光谱的信噪比得到提高，平均提高率为56.38%；并且获得了43 021个双星候选体。