一种快速求红移和证认谱线的新方法--伪三角法

对于河外天体，谱线证认和红移确定是光谱分析的第一步。本文在仔细分析天体光谱特点的基础上，提出了一种全新的求红移和证认谱线的新方法--伪三角法。该方法利用最强的三根谱线的波长信息构造“三角形”，通过将最大角的“余弦”与已知模板的“余弦”表相匹配，反推得到相应的标准谱线波长，并进而得到红移值。通过这个红移值，可以得到所有的谱线的标准位置，这就相当于谱线证认。结果表明：这种方法在大大减少运算量的同时，保持了较高的正确识别率和极低的误识率。这对海量光谱数据的处理具有重要的意义。同时，该方法立意新颖，简单明了，容易实现。缺点是对于谱线少于3根的光谱以及噪声很大的光谱不能有效地处理。     

基于自适应径向基神经网络的类星体光谱自动识别方法

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。     

太阳射电爆发中图像网纹消除的小波NeighShrink方法

绝大多数观测得到的太阳爆发数据中均含有大量的噪声,这给数据的后续处理带来极大的困难。文章分析和研究了NeighShrink阈值函数的特点以及邻域窗口大小的选择依据,在此基础上提出了一种新的小波NeighShrink平方根阈值方法用于图像去噪。首先对太阳爆发灰度图中的每一通道作了规范化处理,在一定程度上去除由于通道间的差异造成的横条纹,然后将预处理后的图像进行小波分解,采用小波Neigh-Shrink平方根阈值函数对其小波系数作阈值处理,最后利用小波反变换恢复图像。实验结果表明该方法可以有效地实现去除干扰、增强有用信息的目的。     

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。     

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。     

一种基于非线性降维求正常星系红移的新方法

提出了一种确定正常星系红移的有效方法,该方法分为以下3个步骤:(1)利用四阶小波系数作为正常星系的特征表示,它能较好地反映吸收线、跳变点和吸收带的信息;(2)利用非线性降维方法LLE(locally linear embedding)将特征数据映射到三维空间中一维流形;(3)由一维流形上的红移分布数据,根据最近邻方法得到正常星系的红移值.实验表明,文中所给的方法较文献中通常使用的PCA方法对于红移的确定具有更高的精度.     

基于RANSAC方法的星表自动匹配方法

本文把星表匹配问题转化成计算机视觉中的对应点匹配问题,接着使用二维Delaunay三角化方法对星表进行三角化,然后用RANSAC方法对星表的自动匹配问题进行了研究。研究结果表明,我们的方法能够快速有效地完成星表匹配。在总共960个样本中,除了两幅不符合匹配的星表之外,全部获得了正确的匹配结果。     

谱线自动提取的小波变换零交叉点方法

将原始光谱进行小波变换,然后研究谱线在小波变换域内呈现的特性,通过引入上、下零交叉点的概念,分析并得到吸收线和发射线分别对应于不同类型的零交叉点的结论。提出一种小波变换零交叉点方法用于提取谱线和拟合连续谱,与传统方法相比,该方法可以同时得到连续谱和谱线,并且无需专门去噪处理,克服了传统方法因拟合连续谱失真和去噪过程中带来的误差导致提取谱线不准确的缺点。通过对恒星、近邻星系等的试验表明,该方法是有效的, 对特征参数计算和基于谱线的光谱分类是非常有利的。     

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Seyfert光谱细分类中的应用。RVM是机器学习领域在近几年提出的一种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。     

基于支撑矢量机的天体光谱自动分类方法

天体光谱自动识别系统的主要目标是对天体进行分类和参数测量。文章提出一种新的基于支撑矢量机的非活动天体与活动天体的自动分类方法。在信噪比低的时候 ,由于红移值未知使得噪声与发射谱线难于辨别 ,因此不能单纯依靠寻找发射谱线来确定是否为活动天体。据此 ,在低噪声情况下对非活动天体与活动天体的区分成为难点。本方法结合主分量分析法和支撑矢量机 ,能够对红移值未知的活动天体与非活动天体比较有效地进行自动光谱分类 ,对天文界的大型巡天计划中的海量观测数据自动处理有比较重要的应用价值。