白矮主序双星光谱的卷积特征提取

通过卷积运算提取白矮主序双星的光谱特征是提高识别精度的有效手段。通过设计一维卷积神经网络,以判别学习的方式从大量混合光谱中拟合出具有稳定分布的12个卷积核,有效提取白矮主序双星的卷积特征。通过引入相对松弛的光谱类别先验分布,提出反贝叶斯学习策略以解决由于光谱抽样有偏带来的问题,显著提高识别精度。通过比较光谱在不同信噪比下的交叉熵测试误差,分析卷积特征的提取过程对光谱信噪比的鲁棒性。实验发现,基于反贝叶斯学习策略的一维卷积神经网络对白矮主序双星的识别准确率达到99.0(±0.3),超过了经典的PCA+SVM模型。卷积特征谱的池化过程以降低光谱分辨率的形式缓解了光谱噪声对识别精度的影响。当信噪比小于3时,必须通过增加模型在光谱上的迭代次数以形成稳定的卷积核;当信噪比介于3与6之间时,光谱卷积特征较为稳定;当信噪比大于6时,光谱卷积特征的稳定性显著上升,信噪比对于模型识别精度带来的影响可以忽略。     

基于径向基神经网络的白矮主序双星自动分类

白矮主序双星的光谱特征是决定其类型的关键因素,如何有效提取恒星光谱的特征是亟待解决的问题。提出一种新的方法,通过构建模型捕获恒星光谱数据的特征,对SDSS-DR10海量光谱进行自动分类。径向基神经网络作为一种有效的计算模型,在数值逼近和目标分类上均有较好的表现效果,但由于目前神经网络超参数的确定大多数依赖于实验经验,很大程度上制约了算法能力的发挥。在分析白矮主序双星光谱数据的高维分布特征的基础上,提出一种基于径向基神经网络的白矮主序双星自动分类模型,并以白矮主序双星的光谱特征为导向,针对恒星光谱提出了中心准则和宽度准则以确定神经网络的超参数,大幅度提高了模型的准确度。实验对分类模型进行数值训练并使用训练的模型对SDSS-DR10光谱数据进行白矮主序双星的自动分类,共发现4 631个白矮主序双星,通过Simbad,NED和Google交叉验证后发现其中有25个是未予以收录的新候选体。实验结果验证了该模型在大规模白矮主序双星自动分类任务中的有效性,新发现的白矮主序双星也为特殊天体的进一步研究补充了有效数据。     

SDSS-DR10中WDMS光谱的自动搜索研究

SDSS-DR10是美国SLOAN巡天望远镜发布的最新数据,包含了首批APOGEE光谱。这些海量的天文光谱除了可以用来探寻银河系的结构和进行多波段证认外,还蕴藏着包括白矮主序双星在内的特殊天体。白矮主序双星是一类特殊的双星系统,它由两颗主序星演化而来,包含了中低质量恒星演化的终点—白矮星,以及M矮星。白矮主序双星对于密近双星的演化和参数研究有积极的意义。目前针对这类特殊天体的发现主要使用测光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目标天体的需要。提出一种适用于在海量天文光谱中自动、快速发现白矮主序双星的方法。该方法针对SDSS的DR10数据,使用改进的遗传算法对海量光谱进行自动识别,寻找白矮主序双星候选体。实验共发现了4, 140个白矮主序双星,通过交叉证认,其中24个是未被收录的新的源。验证了遗传算法在天文数据挖掘和自动搜索方面的有效性,为在海量光谱中快速发现特殊天体提供了另一途径。该方法也可用于在其他巡天望远镜的海量光谱中进行特定天体的自动识别。提供了新发现的白矮主序双星的赤经、赤纬等信息,补充了现有的白矮主序双星光谱库。     

基于反贝叶斯学习的WDMS光谱自动识别研究

天体光谱是天体物理学重要的研究对象,通过光谱可以获取天体的许多物理、化学参数如有效温度、金属丰度、表面重力加速度和视向速度等。白矮主序双星是一类致密的双星系统,对研究致密双星的演化特别是公共包层的演化有着重要的意义。国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜,每天都产生大量光谱数据。如此海量的光谱数据无法完全用人工进行分析。因此,使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱,有着非常现实的意义。目前的光谱自动识别方法主要通过对已有的标签样本进行分析,通过训练得到分类器,再对未知目标进行识别。这类方法对样本的数量有明确的要求。白矮主序双星的实测光谱数量有限。若要通过有限的样本集准确学习白矮主序双星的光谱特征,不仅需要扩大样本数量,还需要提高特征提取和分类算法的精度。在前期工作中,通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱,为该实验提供了数据源。使用对抗神经网络生成新的白矮主序双星光谱,扩大训练数据量至原数据集约两倍的数量,增强了分类模型的泛化能力。通过反贝叶斯学习修正损失函数,将损失函数的大小与样本的方差相关联,抑制了异常数据对模型造成的影响,提升了模型的鲁棒性,解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。该实验基于Tensorflow深度学习库。使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性,并且封装了内部实现细节,使得算法得以更好地实现。除此之外,由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。实验结果表明,二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。基于反贝叶斯学习策略的卷积神经网络分类器在白矮主序双星原始数据及对抗神经网络生成光谱的识别任务中达到了约98.3%的准确率。该方法也可用于在巡天望远镜的海量光谱中搜索其他特殊和稀少天体如激变变星、超新星等。     

激变变星光谱参数测量研究

激变变星是一类特殊而且数量稀少的双星系统,其主星是一颗白矮星, 伴星通常是一颗充满洛希瓣的光谱型为G,K或M型的晚型星或矮星。激变变星是一类爆发型的恒星,对于研究密近双星的演化具有积极的意义。激变变星按照爆发特征和光变特征可以分为很多亚型,如新星、再发新星、矮新星、类新星和磁激变变星。同时激变变星又是一类周期型的变星,这些因素都导致其可见光光谱非常复杂。目前对于激变变星的参数测量,主要通过后续观测来测量其轨道周期、主星和伴星之间的距离等。由于在吸积的过程中,物质在白矮星的表面累积,无法直接测量主星的物理参数,而且激变变星本身是一种暗弱的天体,实测光谱数量较少,因此极大限制了对激变变星物理参数的系统研究。目前唯一能够生成激变变星理论光谱的软件是基于光致电离模型的CLOUDY,但CLOUDY存在采样点过于稀少以及参数太多等问题,不能作为理想的理论光谱模板。法国ELODIE高分辨率的光谱可以作为M型恒星光谱参数测量的理论模板。前期工作中,通过机器学习等方法在美国斯隆巡天和中国郭守敬望远镜巡天数据中发现了一批激变变星。通过人工筛选,选择了伴星是M型的407条实测光谱,这些光谱大部分是宁静期的矮新星,光谱的主要特征是巴尔末线系和氦的发射线。再通过与高分辨率的ELODIE光谱交叉,利用SDSS-casjob数据库中的ELODIE参数,对激变变星的红端部分进行模板匹配,系统测量了其伴星的物理参数。为了降低计算量,对高维的光谱分别通过主分量分析和局部线性嵌入两种方法进行了特征提取和降维。实验结果表明LLE方法在邻域大小15,维度59时达到最高贡献率94.91%。根据PCA和LLE的交集,最终光谱的维度确定为59。实验中发现激变变星的伴星中M2型数量极少,具体原因需要更多的样本来解释。因为实验中激变变星光谱中,只有部分有明显的分子带特征,因此那些在爆发下降阶段或者光谱被吸积盘特征控制的激变变星没有进行参数测量。该实验弥补了激变变星光谱物理参数测量的空白。     

恒星光谱参数自动测量中不同模板匹配度量方法比较

模板匹配方法是恒星光谱参数自动测量中常用的方法之一。对经常使用的三种模板匹配算法：K-最近邻算法(KNN)、卡方最小化算法和光谱相似度算法测量恒星光谱参数结果进行比较。首先对光谱进行连续谱归一化及流量归一化,然后对三种算法测量恒星光谱参数的结果进行比较。对SDSS DR8大样本数据的实验表明,光谱相似度算法在测量恒星光谱参数中有相对优势。     

基于光谱相似度的恒星大气参数自动测量方法

采用模板匹配方法进行恒星光谱的自动处理时,不需要计算光谱的线指数,而采取对全谱匹配的方法尽可能多的保存有用的信息,可得到比较理想的结果。提出一种基于光谱相似度的恒星大气参数自动测量的方法。首先对恒星光谱进行连续谱归一化,然后通过计算待测光谱和模板光谱之间的相似性来进行模板匹配,从而得到相对准确的恒星大气参数。通过ELODIE实测光谱数据和NGS理论模板库之间的实验表明,本方法可有效进行恒星大气参数的自动测量,并能得到理想的结果。     

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。     

基于质量估计的恒星大气参数的自动测量

近些年海量恒星光谱数据的获取使得恒星三个基本参数（表面有效温度Teff,表面重力log g,金属丰度[Fe/H]）的自动测量方法研究成为一个重要的研究课题,相应对恒星大气物理参数测量的研究将对科学家研究宇宙演化等重大科学问题具有重要的意义。但是目前国内外针对此问题所做的研究并不是很广泛深入,且已有的一些方法还不能够完全准确地估计出恒星的大气物理参数。因此本文研究了一种基于质量估计的恒星大气物理参数自动测量方法,该方法计算量比较小,其主要思想是首先建立一些质量分布,将原始光谱数据经过质量估计算法映射到新的质量空间,然后在质量空间利用支持向量机回归对恒星的三个基本物理参数进行估计。在实验中,从SDSS-DR8光谱数据库中选择部分实测光谱数据来进行训练和测试,并将该方法预测出的参数结果与SSPP给出的参数值进行了对比,取得了比较理想的结果。实验结果表明, 该研究方法的准确率更高,预测结果更稳定,训练所用的时间短,在恒星大气物理参数自动测量上是行得通的,可以有效地测量恒星的大气物理参数。     

基于局部序参数的电网同步性能优化

采用类Kuramoto模型对电网中的节点进行建模,利用局部序参数描述节点的局部同步能力.研究发现相比小功率节点,大功率节点到其直接邻居节点更难达到同步.提出一种网络耦合强度的非均匀分配方法,在网络总耦合强度不变的情况下,增大大功率节点到其直接邻居节点的耦合强度以及相关节点对之间的连边耦合强度,减少其余节点对间的耦合强度.研究表明,这种方法可以在一定范围内降低电网的同步临界耦合强度,改善网络的同步性能;但当这种耦合强度的非均匀性过大时,网络的同步性能开始恶化.     

基于距离度量的LAMOST光谱中连续谱异常的自动检测

连续谱异常是指恒星光谱在获得和处理过程中由于星际消光和流量定标等原因造成连续谱严重偏离甚至中断的现象,这对光谱的谱线提取以及其他一些后续处理工作带来负面影响。提出了一种基于距离度量的连续谱异常光谱的自动检测方法,相比传统人眼检查在保证正确率的情况下大大地提高了工作效率。该方法首先通过光谱的lick线指数来确定待测光谱的恒星类型,同时对待测光谱进行归一化处理;然后分别提取待测光谱和对应类型模板光谱的连续谱;最后进行连续谱模板匹配,在每个波长点计算待测光谱和其模板光谱的流量差值,分析流量差值的分布,检验有多少差值点分布在在均值(β)附近的±α个标准差(δ)的范围内,进而可确定是否有连续谱异常。实验表明提出方法的可以快速有效的识别出连续谱异常的恒星光谱。     

基于双积分球的宽光谱组织光学参数测量系统与方法研究

组织光学参数测量是生物医学光子学的主要研究内容之一,人体组织光学性质与其生理病理状态密切相关。近年来,利用组织光学特性,特别是吸收与散射特性进行组织成像诊断及无创成分检测成为生物医学光子学领域研究热点,为肿瘤早期诊断、代谢动态监护及光动力治疗等临床应用提供了基础。双积分球方法能够同时测量离体组织吸收系数、散射系数等,具有测量准确、快速,适用范围大等优点,作为光学参数测量的标准方法得到广泛研究与应用。利用双积分球及超连续激光器搭建了宽光谱的组织光学参数测量系统,分析了积分球测量传递函数与误差来源及系统最佳测量条件,建立了基于BP-MCML的系统校正正向模型与L-M算法的光学参数反构算法。在此基础上,测量了1 100～1 400 nm连续宽谱范围内Intralipid溶液光学参数,实验结果表明改进后反构算法测量结果比较准确,多次测量标准偏差在3%以内,不同波长下约化散射系数及吸收系数测量结果与其他研究小组得到的测量结果对比,偏差小于3.4%。