海量星系光谱中的超新星候选范围自动约减

超新星是恒星世界中已知道的最剧烈的天文现象之一,但目前发现的超新星数量相比于已探测到的数百亿天体而言又是有限的,所以有必要寻找快速高效的超新星搜寻方法或辅助手段。拟在Ⅰa型超新星统计特征描述的基础上提出了一种海量星系光谱下Ⅰa型超新星候选体选择范围自动约减的方法。该方法首先对Ⅰa型超新星模板PCA分析获得特征谱,并获得每条待检星系光谱的低维超新星特征描述,然后通过引入样本的局部孤立性因子进行离群搜索,最后获得总样本数的1%作为继续搜寻证认超新星候选体选择的初始范围。实验表明该方法有效可行,这一方法在海量光谱中自动去除大量不含超新星的星系光谱,为超新星的进一步搜寻证认和后续观测提供了较可靠的候选范围,从而成为直接利用光谱巡天的海量数据获得超新星的高效途径。     

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。     

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。     

基于拉曼光谱解析的对二甲苯装置吸附塔循环液成分分析

采用拉曼光谱分析法实现PX(对二甲苯)装置中吸附塔循环液快速、准确的在线分析。由于循环液中各组分的拉曼谱峰相互重叠,且各组分的含量变化范围很大,需要收集大量的训练样本。为此,提出了基于拉曼光谱解析的循环液成分分析方法。首先,要获得循环液所含各组分纯物质的拉曼光谱,以及少量训练样本的拉曼光谱,对这些拉曼光谱进行基线扣除和均值归一化;其次,选取特征波段680～880 cm-1,对每一个训练样本预处理后的拉曼光谱在特征波段进行光谱分解,得到该训练样本中各组分的分解系数;然后,基于全部训练样本各组分的分解系数与对应的浓度数据,建立分解系数与浓度之间的定量分析模型。而对于某一测试样本,先获取其拉曼光谱,进行上述相同的光谱预处理,并在相同的特征波段基于纯组分的拉曼光谱对其进行谱分解,以获得该样本的光谱分解系数;再根据得到的分解系数和上述定量分析的模型,预测出该测试样本中各组分的含量。实验结果表明,一方面,由各纯组分混合得到的训练样本的拉曼光谱可以较精确地分解成各组分的拉曼光谱的线性加权和;另一方面,基于拉曼光谱分解系数建立的定量分析模型可以准确地预测出循环液中各组分的含量,对测试样本中甲苯、乙苯、对二甲苯、间二甲苯、邻二甲苯和对二乙基苯含量的标准预测误差分别为0.301%,0.088%,0.563%,0.384%,0.366%和0.536%。为PX装置中吸附塔循环液的在线分析提供了改进方法。     

基于神经网络的模板匹配方法求正常星系红移

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50%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。     

三维荧光光谱及平行因子分析在石油类污染物检测分析中的应用

以三维荧光光谱技术结合平行因子分析算法研究了石油类污染物识别与浓度测量方法,重点分析了两种以上成品油共存时对测量的影响。以0#柴油、97#汽油与煤油的CCl4溶液为测量样本,通过两种或三种油不同配比的混合溶液来模拟多种石油类污染物共存的状态,研究平行因子分析方法在复杂混合物共存体系成分分析时的特点。实验分别针对汽柴油混合溶液、柴煤油混合溶液以及存在少量煤油干扰成分的汽柴油溶液,分解得到各溶质的激发与发射特征光谱,实现了各混合样品中主要成分含量的同时测量,计算了平均回收率。结果表明,该方法能够实现石油类污染物中共存成分的识别与浓度测量。     

小波包分解支持下的高光谱混合像元盲分解

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度,其准确度明显优于独立成分分析方法.该方法为高光谱遥感影像的盲分解提供了一条新的途径.     

小波包分解支持下的高光谱混合像元盲分解

提出将小波包辅助下子带分解的独立成分分析用于高光谱混合像元盲分解.利用小波包分解改进独立成分分析技术,并考虑到高光谱数据的特点提出了高光谱混合像元盲分解方法,该方法能克服独立成分分析方法要求端元光谱统计独立带来的问题.利用两组合成数据和三组室内实测数据对本算法进行测试,证明了本算法能较为准确的提取端元光谱波形和端元丰度...     

基于广义判别分析的光谱分类

提出了基于广义判别分析(generalized discriminant analysis, GDA)方法对恒星(Star)、星系(Galaxy)和类星体(Quasars)的光谱进行分类。广义判别分析将核技巧与Fisher判别分析结合起来,通过非线性映射将样本集映射到高维特征空间F,在F空间中进行线性判别分析。实验对比了LDA, GDA, PCA, KPCA算法对于恒星、星系和类星体的光谱分类性能。结果表明基于GDA的算法对于这3种类型光谱的分类正确率最高,LDA次之;尽管KPCA也是一种基于核的方法,但是选择主成分个数较少时效果较差,甚至低于LDA;基于PCA的分类效果最差。     

近红外光谱小波分析在土壤参数预测中的应用

从田间采集了150个田间土壤样本,在分析了所有样本的土壤参数统计特征之后,对原始近红外光谱数据进行了聚类分析,分别得到了50个土壤全氮和50个土壤有机质的等价样本及其对应光谱。对样本光谱曲线进行8层Biorthogonal小波包分解,分解得到的最低低频[80]结点对应着土壤水分以及土壤质地的光谱变化趋势,最高高频[8 255]结点对应着土壤粒度、光谱仪精度等引起的高频震荡。对以上两个结点进行重构并从样本光谱曲线中剔除以上影响成分,得到了对应的土壤参数特征光谱。基于特征光谱建立了土壤参数偏最小二乘回归模型：全氮偏最小二乘预测模型的预测系数r_c达到了0.960,验证系数r_v达到了0.920;有机质偏最小二乘预测模型的预测系数r_c达到0.922,验证系数r_v达到0.883。模型精度明显提高,满足实际生产的需要。     

基于相似性度量的星系光谱红移估计

光谱的自动分析对大规模的光谱巡天有着非常重要的意义。文章提出了一种基于相似性度量的星系光谱红移测量方法。方法中采用主分量分析构造星系光谱的静止模板,利用谱线特征确定观测光谱的红移候选,然后根据红移候选进行观测光谱与模板光谱间的相似性度量,所采取的相似性度量策略类似于证据积累的思想,定义为几个相似证据的加权和,从而降低了观测光谱与模板光谱之间的误匹配,提高了红移估计的正确率。通过实验将所提出方法与基于谱线匹配的方法和传统的交叉相关方法进行了比较,实验结果表明：本文方法的正确率较之基于谱线匹配的方法和传统相关法有较大提高。     

A method of searching for supernova candidates from massive galaxy spectra

This paper presents a novel spectroscopic method for searching for supernova candidates from massive galaxy spectra,which is expected to be applied to the Large Sky Area Multi-Object Fiber Spectroscopic Telescope (LAMOST).This method includes mainly five steps.The first step is spectral preprocessing,including removing spectral noise using wavelet transform,spectral de-redshift,etc.The second step is decomposition of galactic spectra;we can get the galaxy component and supernova component and calculate the Supernova Statistical Characterization Vector (SNSCV) of each galaxy spectrum.The third step is to decrease samples in all the galaxy spectral datasets according to SNSCV of each spectrum,and to use the LOF (Local Outlier Factor)-based outlier detection algorithm to obtain the preliminary selected spectral data.The fourth step is template matching by cross-correlation,according to the matched results we get the secondary selected spectral data.Finally,we choose the final supernova candidates manually through checking the spectral features characteristic of a supernova.By the spectroscopic method proposed in this paper,thirty-six supernova candidates have been detected in a dataset including 294843 galaxy spectra from the Sloan Digital Sky Survey Data Release 7.Nine of these objects are detected first and the other twenty-seven have been reported in other publications (fifteen of which are detected and reported first by us).The twenty-four new super-nova candidates include twenty Ia type supernova candidates,three Ic type supernova candidates and one II type supernova candidate.     

马氏距离度量LAMOST早型星光谱的分类研究

随着天文大数据不断积累,我国大天区多目标光纤光谱望远镜LAMOST已完成6年的大规模巡天观测,获得DR5数据集已达到900多万条光谱,其中含有观测比例较低的早型恒星光谱,具备重要的研究价值。利用准确的恒星分类模板库可提升恒星的分类精度与可靠性,由于LAMOST第一年的巡天光谱中并没有完整覆盖B型恒星包含的所有子类型,造成后续观测数据分类的子类型范围受限。依据LAMOST已发布DR5数据中B型恒星光谱为研究对象,选取ELODIE发布的B型恒星实测光谱模板库来检测LAMOST在用的分类光谱。首先完成ELODIE发布37条B型光谱模板的相关性分析,去掉相关性弱的三条光谱后,筛选出ELODIE 34条B型恒星实测模板作为中心,通过计算LAMOST DR5发布的绝大多数被标记为B6型（7 662条）和B9型（3 969条）实测光谱的马氏距离,经有监督聚类LAMOST早型恒星光谱数据,标记13个子类型在涵盖B2-B9子类的34条ELODIE光谱模板中的分布。经线性分析判别每条谱线子类型的类内距离,确保波长覆盖范围和分辨率与LAMOST数据完全一致,去掉距离数值偏差较大的数据,计算相应子类的平均谱线,得到LAMOST源于DR5观测数据早型B型恒星的13条子类型光谱分类模板,为后期完善模板提供较好的参考性。     

解析动态光谱的奇异值分解最小二乘法的改进

本文改进了处理动态光谱的奇异值分解最小二乘法（SVDLS），通过对模拟的蛋白质二级结构的动态圆二色谱和小牛胸腺DNA在电化学过程中动态紫外光谱的分析，表明该方法不仅给出动态过程中所包含的组分数，而且可同时获得各组分的光谱和各组分分数的分布曲线，是多种动态光谱数据处理的有效的无模型方法。     

Accuracy of spectrum estimate in fluorescence spectral microscopy with spectral filters

We establish the accuracy of the spectrum that is estimated with an inexpensive fluorescence spectral microscope utilizing a small set of spectral filters [Soriano et al, Opt. Exp. 10, 1458–1464 (2002)]. The spectrum at an arbitrary image location of the fluorescent sample is estimated as a linear superposition of basis spectra that are derived by singular value decomposition (SVD) or principal component analysis (PCA) from a spectral library of fluorescence spectra. Estimation performance is analyzed as a function of library statistics, filter selection and sequencing, minimum negativity constraint and signal to noise ratio (SNR) of fluorescence image. We consider image SNR degradations that arise from weakening of image intensity, additive Gaussian noise, intensity-dependent Poisson noise and quantization errors. The recovery of specific spectral features like spectral resolution, general similarity and peak alignments, is assessed using Linfoot’s criteria of fidelity, structural content, and correlation. We found that estimation with SVD basis spectra is more robust against image noise than that with PCA basis spectra. However for high SNR images, accurate estimation is achieved more quickly with PCA basis spectra and with better response to the application of minimum negativity constraint.     

正常星系光谱的一种谱线自动提取方法

正常星系的光谱是天体光谱谱线自动提取中最难处理的一种。文章针对正常星系光谱给出了一种新的谱线自动提取方法。首先,定义了两条光谱间的Max操作,Max操作的结果是生成了一条光谱,该光谱在每个波长处的强度取为在相应波长处强度较大的那一个光谱的强度;然后,通过迭代处理拟合连续谱,在每一步迭代中,先对原始光谱和前一步拟合出的连续谱进行Max操作,再对Max操作生成的光谱进行传统的连续谱拟合;最后,联合采用整体阈值处理和自适应的局部阈值处理提取谱线。实验结果表明：该方法的性能较之传统的小波方法有显著提高,这将对后续的基于谱线的光谱分类和参数测量非常有利。     

Kerr介质中双原子与相干态光场Raman过程的腔场谱

为探讨Kerr介质和原子间的耦合作用对两个等同二能级原子与双模光场Raman相互作用过程腔场谱的影响,通过求解本征方程导出了双模相干态光场处于任意强度时腔场谱的计算公式,给出了数值计算结果.发现在两模初始场均为弱场时,Kerr介质和原子间的耦合作用对谱结构的影响较小;在双模初始场均为强场时,有Kerr介质加入后两模的中心主峰迅速下降,但随Kerr效应的增强,产生出越来越多的边峰,且在两模主峰的两侧产生出拱形的梳状边峰群,并伴随着峰位的向右偏移.     

基于基本参数法的EDXRF全谱拟合定量算法及其应用

在进行能量色散X射线荧光（EDXRF）的解谱操作时,如果样品中元素含量不高,单个元素的谱峰形状在混合样品谱中会保持较好,纯元素谱剥离是一种比较好的解谱方法,同时,在不高的含量范围内,谱峰强度与元素含量的线性关系保持较好,定量较为准确;但在常量分析中,元素之间会存在较强的吸收增强效应,并导致混合样品谱中单个元素的贡献与其纯元素谱的形状不一致,因此,用固定形状的纯元素谱剥离方法就会有较大偏差。同时,吸收增强效应会干扰谱峰强度与元素含量的线性关系,两种因素的叠加,导致元素定量的不准确,因此,在进行常量分析时,简单的纯元素谱剥离的解谱方法并不适用。介绍了一种基于基本参数（FP）法的全谱拟合定量算法,在进行谱图准确拟合的同时,完成定量计算,其操作步骤如下：首先用纯元素谱剥离的方法得到实测的各谱线强度,并以此为依据预估样品中各元素含量,然后代入FP法计算样品中各谱线理论强度,根据与实测值的偏差调整元素含量,并做“FP计算-调整含量”两个过程的迭代,直至计算谱与实测谱的强度无差别;用最后的样品构成计算各元素谱峰形状,并修正纯元素谱,再次重复“剥离解谱-估算含量-迭代FP计算”的步骤,将最终得到的元素含量认为是测试结果。该种方法弥补了简单解谱剥离方法的弊端,借助于基本参数法的计算,纯元素谱峰得到了修正,解谱更准确,同时也能很好地校正基体效应对定量分析的影响。利用这种方法对较高浓度La/Ce/Pr/Nd混合溶液样品的EDXRF谱图进行分析,新方法计算得到的谱图与实测谱的残差σ降至474.5,远小于单纯使用纯元素谱剥离方法的1 415.0[1]。用该方法对多个配分含量范围从0~90%的稀土混合溶液进行检测,各样品各元素配分偏差均小于1%,多次连续测试表明,各元素的相对标准偏差RSD<1%,该方法的准确度和稳定性都较好,能很好地满足稀土冶炼行业生产实践的需求。     

基于谱线特征匹配的恒星光谱自动识别方法

我国正在实施的大型巡天项目(LAMOST项目),急需恒星光谱的自动识别系统。文章给出了一种基于谱线特征匹配的恒星光谱自动识别方法。该方法由以下主要步骤组成：(1) 利用小波变换的方法对观测光谱进行谱线特征提取;(2) 将提取出的特征和恒星谱线的特征模板进行相关匹配;(3) 根据相关匹配结果进行恒星光谱识别。通过对Sloan Digital Sky Survey (SDSS),Data Release Four (DR4)中的大量真实光谱数据实验表明,该方法具有对噪声鲁棒等特点,正确识别率高达96.7%。该方法可对相对定标的巡天光谱进行自动识别,符合LAMOST数据的要求,可为天文学家进行恒星和银河系的结构等研究提供帮助。