基于统计窗的恒星连续谱自动拟合方法

提出一种基于统计窗的恒星连续谱拟合方法。该方法将恒星光谱划分为若干个统计窗,在每个窗口内根据信噪比选取一定比例的流量点,然后对选出来的流量点进行低阶多项式迭代拟合,从而得到连续谱。实验表明,与其他方法相比,该方法得到的连续谱更接近于实际连续谱。该方法对SDSS中除M外的各种光谱型连续谱的拟合均具有很高的实用性和鲁棒性,对于郭守敬望远镜(LAMOST)先导巡天恒星光谱的连续谱拟合同样具有非常好的效果。     

巡天光谱中拼接异常光谱的自动检测和异常分级方法

拼接异常是光谱在红蓝两端拼接区域表现出的光谱连续性差的一种现象。在LAMOST的光谱处理中,仪器的稳定性、观测条件以及获得的响应函数等问题都是造成拼接异常的原因。光谱拼接是否正常对于光谱发布等后续工作的质量有重要影响。提出一种拼接异常光谱的自动检测方法,有效地提高了工作效率。该研究可以为LAMOST数据提供一个自动的标记,来评价拼接质量,也可以为用户提供一个使用数据时的选择。该方法首先将待测光谱进行流量归一化、去除钠线等预处理,并将其分为红蓝两端;然后对红蓝两端分别进行拟合;最后对两条拟合曲线,选取一系列等波长间隔的点,计算在这些点处的流量差值,得到所有流量差值的均值,标准差,并且计算两条曲线积分面积的差值;基于上述统计量,提出了一个判断光谱是否异常及其异常程度的评价函数。大量的实验证明,该方法具有良好的拼接异常光谱检测效果。     

基于多分辨率融合距离的低质量星系光谱红移测量方法

星系光谱红移测量是大规模天体光谱巡天项目中的一个重要研究内容,其目的是从在光谱中测量出对应星系由于多普勒效应引起的红移。随着银河系外巡天项目的开展,观测目标距离(红移)越来越远,其星等越来越暗,光谱的质量也随之越来越差,如何能够有效准确地从这些低质量的光谱测量出红移是河外巡天面临的一个重要问题。基于此问题,充分考虑到低质量星系光谱的特点及数据特征,新定义了一种针对低质量巡天光谱数据的多分辨率融合距离,以此为基础提出一种针对低质量星系光谱的红移测量方法。该方法充分结合不同分辨率下光谱的特征,计算距离时首先将模板光谱和待测光谱同时降到多个相同分辨率下,该分辨率下所有波长采样点都计算一个偏差进而得到一个距离,然后将多个分辨率下得到的距离通过加权得到一个融合距离。基于多分辨率融合距离提出的星系红移测量方法,能够有效的解决低质量星系光谱的红移无法准确测量的问题。研究了不同信噪比下红移测量的精度,在信噪比大于5之后,该方法测量准确率可以达到90%以上。大量实验表明,提出的方法在星系光谱质量较低的情况可以非常准确地从中测量出红移,测量误差和红移大小无关,可以很好地应用于大规模巡天数据的星系光谱红移测量中。     

SKLOF:一种新的超新星候选范围约减算法

超新星是宇宙学中的“标准烛光”, 其在星系中爆发的概率很低, 是一种特殊、稀少的天体, 只有在大量观测的星系数据中才有机会遇到, 而正处于爆发期的超新星会照亮其整个星系从而在观测获得的星系光谱中具有较明显的特征。但是, 目前已发现的超新星数量相对于大量的天体而言又是非常稀少的, 搜寻它们所用的计算时间成为能否进行后续观测的关键, 因此需要寻找高效率的超新星搜寻方法。对超新星候选范围进行约减的LOF算法的时间复杂度较高, 计算量大, 不适用于大规模数据集。为此通过对LOF算法进行改进, 提出了一种在海量星系光谱中快速约减超新星候范围的新方法(SKLOF)。首先对光谱数据集中离中心点近的数据点进行数据剪枝, 剪掉那些肯定不是超新星候选体的光谱数据对象, 然后利用改进的LOF算法计算剩余的光谱数据的孤立性因子并降序排列进行离群搜索, 最后获得超新星候选体的较小的搜索范围以便进行后续的证认。实验结果表明, 该算法十分有效, 不仅在精确度上有所提高, 而且相比于LOF算法还进一步缩短了算法的运行时间, 提高了算法的执行效率。     

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Isomap算法的恒星光谱离群点挖掘

如何从已分类的海量光谱中发现被错分的光谱一直是天文数据处理专家重点研究的问题,探讨的Isomap算法在该问题方面有很好的表现。通过Isomap算法与主成分分析方法(PCA)算法的实验结果对比发现：(1)PCA将具有不同特征的光谱投影到邻近的区域,而Isomap算法却可以将具有相似特征的光谱投影到邻近区域,而将具有不同特征的光谱投影到相距较远的区域;(2)Isomap算法给出的大部分离群点较易判断,且是具有很高科学价值的双星;而PCA给出的离群点难以判断,科学价值不高。因此,在光谱离群点发掘上Isomap算法比PCA有明显优势。由于使用的数据为SDSS最新发布的M型的九种光谱次型的光谱,因而Isomap算法能够快速发现被斯隆数字巡天数据处理流程(SDSS pipeline)错分的光谱,可帮助有效提高现有光谱分类算法的准确率。更进一步,由于被SDSS pipeline错分的光谱大部分是双星,因而Isomap算法还可以进一步帮助我们发现有很高科学研究价值的双星,提高双星的发现效率。虽然实验显示Isomap算法对信噪比变化较为敏感,在具有较低信噪比的光谱上表现较差,但由于信噪比低的光谱的光谱型难以判断,因而该缺点并不影响Isomap算法的在光谱发掘上的应用。     

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。     

M矮星光谱型分类研究

M矮星的研究对于探索银河系的结构、演化以及搜寻地外生命有重要意义。获得M矮星的光谱型是一项重要的基础工作。本研究采用SLOAN DR7的M矮星样本,参考随机森林的特征重要性度量, 提取M矮星可见光波段600~900 nm之间的特征。提取的特征与现有的光谱分类程序Hammer中采用的特征进行对比增加了三个新的特征,并重新计算了模板的特征指数。对该方法测试结果表明,增加了新指数的程序光谱型分类结果准确度有很大提高,该方法已用于对LAMOST的M矮星光谱进行光谱型分类。     

SDSS-DR8中激变变星候选体的数据挖掘

提出一套适用于在海量光谱中快速发现激变变星的方法。针对SDSS发布的DR8数据,尝试流型学习方法在海量光谱数据挖掘中的应用。首先使用非线性局部线性嵌入方法(LLE)对海量光谱数据进行降维,然后使用人工神经网络对低维数据进行分类,最后对较少数量的候选体进行人工证认。实验共发现了6个新的激变变星候选体,并与传统的PCA方法进行了比较,验证了LLE方法在天文数据挖掘中的可行性。     

矮新星候选体的自动搜索研究

美国斯隆数字巡天望远镜已经发布了第9期数据。这些海量的天文光谱数据除了可以用来进行大样本的研究,如探寻银河系的结构和进行多波段证认外,还蕴藏着稀少和特殊的天体,其中就包括矮新星。矮新星是激变变星中所占比例最高的一个亚型,发现更多的矮新星样本对于研究密近双星的演化和参数有积极的意义。目前针对激变变星这类稀少天体的发现主要使用测光粗筛选结合后期观测证认的方法,不但准确率低,而且需要耗费较多的人工处理时间,无法满足在海量光谱数据中快速发现矮新星候选体的需要。本文提出一种适用于在海量光谱中自动、快速发现矮新星的方法。该方法针对SDSS的DR9数据,先使用支持向量机约束主分量分析进行降维,确定特征空间的维数,然后再使用训练后得到的最优分类器对海量光谱进行自动识别,寻找矮新星候选体。实验共发现了276个矮新星,其中6个是未被收录的新的源,表明了该方法的有效性,为在海量光谱中快速发现稀少和特殊天体提供了有效途径。实验中发现的新结果补充了现有的矮新星模板光谱库,可以构造更准确的特征空间。本方法也可用于在其他的巡天望远镜如郭守敬望远镜的海量光谱中进行特殊天体的自动搜索。