基于Haar小波特征的恒星光谱物理参量自动估计

恒星大气物理参数的自动测量是大型巡天计划中海量光谱数据自动处理中的一个重要内容。首先使用多尺度Harr小波对恒星光谱数据进行特征分解,然后选用相应的小波系数作为光谱的特征向量,最后采用非参数回归算法对光谱的物理参数进行估计。研究表明,只需对光谱进行四层小波分解,并选择第四层小波系数作为光谱的特征向量,即可获得重力加速度和表面有效温度的较好估计。对于化学丰度的估计,选择第一层小波系数作为光谱特征向量可取得较好效果。选用文献相关研究中常用的恒星大气模拟模型合成光谱库ELODIE中光谱数据测试了该方法的有效性。结果表明,基于Harr小波分解的光谱特征提取方法对恒星表面温度、表面重力和化学丰度等物理参数的估计具有较高的精度和鲁棒性。     

基于Fisher判别分析的有监督特征提取和星系光谱分类

随着天文观测技术的进步、数据获取能力的提高和大型光谱巡天计划的相继实施,光谱数据的自动处理研究越来越受到重视和关注.文章在分析了文献中光谱自动分类研究的特点和无监督特征提取方法所固有的一些不足的基础上指出了光谱有监督特征提取研究的必要性.并重点研究了Fisher判别分析(FDA)有监督特征提取方法在星系光谱自动分类中的应用.该方法:(1)具有突出的维数约减能力;(2)能有效地融合训练数据的类别信息,并按照分类能力提取特征.实验表明,将FDA方法用于某些星系细分类不仅明显地提高了分类器的速度,而且具有良好的分类性能.因此,对于较大的光谱识别系统更能体现出该方法的优越性.     

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 1dex,log g:0.225 2dex和[Fe/H]:0.199 6dex。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。     

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。     

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LAMOST光谱的恒星大气物理参数估计

基于实测光谱的恒星大气物理参数估计是探索恒星本质的首要任务。随着郭守敬望远镜(LAMOST)进入正式巡天阶段,正以前所未有的速度获取海量的恒星实测光谱数据,这为星系研究带来了新的机遇和挑战。由于LAMOST是多目标光纤光谱天文望远镜,获取的光谱噪音比较大。光谱前期处理中的波长定标和流量定标精度不高,导致光谱存在微小畸变,这些都大大增加了恒星大气物理参数测量的难度。如何对LAMOST实测光谱的恒星大气物理参数进行自动测量是迫切期待需要研究的一个重要课题,关键是如何消除噪声,提高恒星大气物理参数的测量精度和鲁棒性。提出了一个测量LAMOST恒星光谱大气参数的回归模型(SVM(lasso))。基本思路是:首先使用Haar小波对光谱信号进行滤波,抑制光谱中噪声的不利影响,最大限度地保留光谱判别信息。然后采用lasso算法进行特征选择,选取与恒星大气物理参数相关性强的特征。最后将选择的光谱特征输入支持向量机回归模型对恒星大气物理参数进行估计,该模型对光谱畸变和噪音的容忍性比较好,提高了测量的精确度。为了验证上述方案的可行性,在33 963条LAMOST先导巡天恒星光谱库上作了实验研究,三个恒星大气物理参数的精度分别为log Teff:0.006 8dex,log g:0.1551dex,[Fe/H]:0.104 0dex。     

基于小波多尺度特征匹配的类星体红移测量方法

在中国正在实施的大型巡天项目(LAMOST项目)中,预计能获得105数量级的类星体光谱.文章旨在研究适用于LAMOST观测数据的类星体红移测量方法.为了克服信噪比较低的不利因素,文章采用小波变换的方法对类星体宽发射线进行特征提取,然后利用多尺度特征匹配的方法进行类星体红移测量.通过对sloan digital sky survey(SDSS)data release 2(DR2)中的15,715条类星体光谱的实验表明,在误差为0.02的范围内所用方法的正确率达到95.13%.该方法可对相对定标的类星体光谱数据进行红移测量,符合LAMOST数据的要求,可为天文学家进行类星体和宇宙大尺度等研究提供帮助.     

RVM有监督特征提取与Seyfert光谱分类

特征提取是光谱自动识别中的一个基本问题,它决定着光谱识别系统的性能和复杂度.目前的天体光谱自动分类研究主要使用的是基于以线性主成分分析(PCA)、小波变换(Wavelet transform)、人工神经网络(ANN)等为代表的非监督特征提取方法,而它们在特征提取时没有考虑到训练数据中的类别信息,并非按照分类能力进行特征选择和降维.文章研究了相关向量机(RVM)有监督特征提取方法及其在Seyferr光谱细分类中的应用.RVM是机器学习领域在近儿年提出的一种Bayesian学习方法,它能有效地融合已有的先验知识、对问题的信念、训练数据和相应的类别信息,并按照分类能力提取特征,在理论上具有很大的潜在优势.另外,初步的实验结果表明,基于RVM的有监督特征提取方法在Seyfert光谱细分类中具有较好的性能.     

巡天光谱分类前的预处理——流量标准化

由于噪声、畸变、观测环境和观测设备、以及流量未定标等因素的影响,对天体光谱进行自动识别之前,需要对它进行相应的标准化/预处理.文章研究了对巡天光谱自动分类前的预处理--光谱流量的标准化问题.通过分析光谱流量的干扰因素及其特点,提出了流量数量级变化的基本模型,并给出了相应的流量标准化方法.通过对正常星系和类星体的分类实验,表明文章所给基本模型的正确性,以及所给流量标准化方法良好的性能.并且从理论上分析、比较、解释了上述方法在性能上的差异.特别需要指出的是,研究表明文献中通常采用的流量标准化方法的效果较差.该研究结果对于大型光谱巡天所产生的海量数据的其它自动处理研究(例如,红移测量,天体表面有效温度,和化学丰度估计等)也具有重要的指导意义.