排序方式: 共有26条查询结果,搜索用时 15 毫秒
1.
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BLLracertae(BLlac)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。 相似文献
2.
本文中所沿用的概念和符号除特别说明外,其意义与[4,5]相同.本文主要给出了集Pδ(A)的结构以及正规算子A有唯一最佳ω-非负逼近的特征. 相似文献
3.
恒星表面有效温度是恒星的一个重要物理参量,是恒星光谱差异的重要因素。文章采用非参数估计算法对恒星表面温度进行估计。首先对历史光谱数据进行主成分分析(PCA)处理,再根据PCA特征数据与其表面温度的对应关系建立温度的估计模型,该模型是基于高斯核函数的。方法不依赖对光谱进行精确测量,就可以得到较高估计精度的温度值,对大样本光谱分析具有重要意义。 相似文献
4.
基于神经网络的模板匹配方法求正常星系红移 总被引:1,自引:1,他引:0
星系通常分为正常星系(NG)与活动星系(AG)两类。文章提出了一种自动获取NG红移的快速有效方法:(1)由NG模板根据红移范围Ⅰ:0 0~0 3与Ⅱ:0 3~0 5模拟得到两类星系样本,进行PCA变换获得样本特征向量;(2 )利用概率神经网络设计两类样本特征向量的Bayes分类器;(3)对于实际NG光谱数据,利用Bayes分类器进行分类确定其红移的范围,然后在此范围内进行模板匹配得到红移的准确值。与在整个红移范围内的模板匹配方法相比,此方法不但节省了5 0 %的模板匹配运算量,而且还大大提高了红移值测量的精度。文章研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。 相似文献
5.
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。 相似文献
6.
基于自适应径向基神经网络的类星体光谱自动识别方法 总被引:1,自引:1,他引:0
通过对光谱的研究来识别和认证类星体是天文学研究中的重要方法.文章提出了一种对类星体光谱进行自动识别的自适应径向基神经网络(RBFN)方法.该方法包括以下几个步骤:(1)先将训练样本归一化,再利用PCA变换进行降维,获得样本特征向量;(2)设计出K均值聚类算法与梯度下降法相结合的径向基神经网络结构的基本模型,再用SSE(sum of squares error)误差函数进行判断,对RBFN隐含层的神经元进行自动调节,直至满足给定误差阈值;(3)用训练得到的参数对用于测试的样本中的类星体光谱进行识别.该方法不但克服了经典RBFN算法选择隐层神经元数目的困难,而且还提高了对类星体识别的稳定性和正确率.研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义. 相似文献
7.
8.
实际观测天体目标光谱如超新星和活动星系核光谱常常混有寄主星系成分,这对目标天体光谱的类别和性质证认识别会造成困难。文章提出了一种快速有效的称为二元PCA特征谱分解的星系扣除算法。该算法首先计算了星系样本模板库和超新星样本模板库各自的PCA特征光谱,然后对特征光谱组通过正交变换得到混合空间的一组标准正交基,进而利用混合光谱在该标准正交基上的分解系数计算该光谱在原特征光谱组的分解系数,获得星系超新星混合光谱的快速分解,系数计算也可通过SVD矩阵分解得到,但计算效率较低。实验表明,该方法优于常用的直接PCA投影重构分解方法,与另一种χ2模板拟合方法扣除星系成分相比,在保持分解效果基本不变的前提下,时间消耗则大大降低,从而使该方法可应用到大规模光谱数据处理中。 相似文献
9.
10.
针对活动星系核(AGN)光谱中发射线的不同特征,在恢复到静止系状态后的光谱上截取具有有效特征的波段范围,采用自适应增强(Adaboost)的方法,对宽线和窄线AGNs进行特征融合的分类实验,经分析,确定了以Hα和[NⅡ]发射线为主的波段为宽线和窄线AGNs光谱的主要区别特征。再单独对Hα和[NⅡ]发射线为主的波段,用自适应增强的方法对其进行光谱分类。自适应增强方法在训练过程中不断地加入"弱分类器",直到达到某个预定的足够小的误差率或一定的循环次数,最后构成的总体分类器的分类判决由这些"弱分类器"各自的判决结果的投票来决定。此方法不需要事先调节参数,且"弱分类器"的分类结果只需好于随机猜测,算法简单。实验证明,对于单独采用以Hα和[NⅡ]发射线为主的波段,自适应增强方法能达到较好的分类效果,从而可有效地应用于大型光谱巡天所产生的活动星系核光谱的自动分类中。 相似文献