SDSS-DR8中激变变星候选体的数据挖掘

提出一套适用于在海量光谱中快速发现激变变星的方法。针对SDSS发布的DR8数据,尝试流型学习方法在海量光谱数据挖掘中的应用。首先使用非线性局部线性嵌入方法(LLE)对海量光谱数据进行降维,然后使用人工神经网络对低维数据进行分类,最后对较少数量的候选体进行人工证认。实验共发现了6个新的激变变星候选体,并与传统的PCA方法进行了比较,验证了LLE方法在天文数据挖掘中的可行性。     

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。     

一种抗噪声的M型星视向速度测量方法

M矮星是银河系中最普遍的恒星,它们的运动状况能提供银河系演化的线索,视向速度(RV)是反映M矮星运动状况的重要参数之一。我国的大科学工程LAMOST巡天项目已经获得了数十万M型星光谱,测量这些恒星的视向速度需要自动、高效的程序。计算M矮星视向速度的一般方法是将观测光谱与模板光谱进行交叉相关得出。然而在实际处理过程中,由于本质上的不同或者噪声的影响,一些观测光谱和模板光谱错误匹配,从而使得这些光谱的视向速度测量产生偏差。为了减少噪声等因素的影响,对于信噪比较高、但局部有较强噪声的光谱,采用统计与经验特征相结合的方法选取光谱中的有效特征段、避开噪声污染的波段计算M型星的视向速度。利用该方法对LAMOST DR3 M型星星表中的部分实测光谱测量了视向速度,将之与APOGEE星表中的对应视向速度进行了对比。结果表明该方法有效地减少了局部噪声对视向速度的影响,提高了视向速度测量的准确率。     

早M型矮恒星光谱聚类方法与分析

大规模光谱巡天项目如LAMOST等产生了海量极具研究价值的观测数据,如何对此数量级的数据进行有效的分析是当前的一个研究热点。聚类算法是一类无监督的机器学习算法,可以在不依赖于领域知识的情况下对数据进行处理,发现其中的规律与结构。恒星光谱聚类是天文数据处理中一项非常重要的工作,主要对海量光谱巡天数据按照其物理及化学性质分类。针对LAMOST巡天中的早M型矮恒星的光谱数据,使用多种聚类算法如K-Means,Bisecting K-Means和OPTICS算法做了聚类分析,研究不同聚类算法在早M型恒星数据的表现。聚类算法在一定程度依赖于其使用的距离度量算法,同时研究了欧氏距离、曼哈顿距离、残差分布距离和上述三种聚类算法搭配下的表现。实验结果表明：(1)聚类算法可以很好地辅助分析早M型矮恒星的光谱数据,聚类产生的簇心数据和MK分类吻合得非常好。(2)三种不同聚类算法表现不尽相同,Bisecting K-Means在恒星光谱细分类方面更有优势。(3) 在聚类的同时也会产生一些数量较少的簇,从这些簇中可以发现一些稀有天体候选体,相对而言OPTICS适合用来寻找稀有天体候选体。     

恒星巡天光谱中天光残留成分的自动识别与检测

天光作为一种主要的噪声,叠加在目标天体光谱之中,降低了光谱的信噪比。经过减天光处理后,若光谱中仍含有大量强度高的天光残差将不利于对目标光谱的后续分析。自动识别减天光异常恒星光谱的研究较少,目前只能通过人工检测的方法去寻找减天光异常的光谱,效率较低。首先对影响减天光结果的因素进行分析,找出减天光异常光谱的特征,然后提出一种简单有效的方法能够自动识别LAMOST巡天经过Pipeline处理之后仍然存在减天光异常的恒星光谱并检测其位置。该方法先对光谱进行归一化处理,然后通过检测天光线附近是否有一定强度的类似发射线或吸收线的残留来判定该天光线位置是否出现减天光异常,最后得出光谱中所有的减天光异常的天光位置。通过对LAMOST光谱数据的实验表明,这种方法可以有效识别出减天光异常的光谱和发现不同残留强度的天光线异常位置,并且该方法简单易懂,识别效率高,可以应用于大量的减天光异常光谱的识别与检测问题。     

基于LASSO算法的恒星α元素丰度估计方法研究

主要研究了一种新的基于LASSO算法的恒星α元素丰度估计方法。海量恒星的α元素(O, Mg, Si, Ca 和Ti)丰度信息将有助于我们了解银河系的演化进程。但目前从中低分辨率光谱中确定α元素丰度的方法主要是模板匹配法,但该方法算法复杂,优化参数较为困难且对噪声敏感,因此有必要研究新的方法。实验结果显示,LASSO算法对ELODIE光谱的α丰度的估计精度为0.003(0.078)dex。为验证光谱分辨率变化对LASSO算法结果的影响,我们首先用ELODIE光谱通过高斯卷积得到了分辨率为42 000, 21 000, 10 500, 4 200和2 100的光谱,然后使用LASSO算法估计α元素丰度,精度分别为0.003 3(0.078)dex,-0.05(0.059)dex,-0.007(0.060)dex,0.008 0(0.069)dex和-0.004 5(0.067)dex。上述结果证明LASSO算法对分辨率变化不敏感。为验证LASSO算法对信噪比变化的鲁棒性,使用ELODIE光谱分别构造了信噪比为30, 25, 20, 15和5的光谱。LASSO算法在上述数据集上的精度分别为-0.002(0.076)dex, -0.09(0.073)dex, 0.003 6(0.075)dex, 0.007 6(0.078)dex 和-0.009(0.08)dex,因而LASSO算法对信噪比变化不敏感。因此,LASSO算法适用于低分辨率低信噪比的LAMOST和SDSS光谱。LASSO算法在SDSS光谱上的估计精度为0.003 7(0.097)dex,而在球状星团和疏散星团成员星上的结果显示LASSO算法给出的丰度与文献给出α丰度值误差在1σ以内。因此,LASSO算法能够用于估计恒星的α元素丰度。     

基于线指数线性回归的恒星光谱大气物理参数测量

利用Lick线指数,根据光谱的海量特点,从统计回归的角度出发,通过线性回归的方法来设计大气物理参数测量的高效算法。线性回归通过选择最佳的线指数组合及回归类型的选择来使其达到最佳的回归效果。因为得到的是公式性的回归模型,所以使得其应用于新的数据时计算速度可以很快,且清晰明了,便于分析处理,这是其他方法所达不到的。实验结果证明,通过线指数回归的方法来进行大气物理参数的测量是可行的。     

一种基于Map/Reduce分布式计算的恒星光谱分类方法

天体光谱中蕴含着非常丰富的天体物理信息,通过对光谱的分析,可以得到天体的物理信息、化学成分以及天体的大气参数等。随着LAMOST和SDSS等大规模巡天望远镜的实施,将会产生海量的光谱数据,尤其是LAMOST正式运行后,每个观测夜产生大约2~4万条光谱数据。如此海量的光谱数据对光谱的快速有效的处理提出了更高的要求。恒星光谱的自动分类是光谱处理的一项基本内容,该研究主要工作就是研究海量恒星光谱的自动分类技术。Lick线指数是在天体光谱上定义的一组用以描述光谱中谱线强度的标准指数,代表光谱的物理特性,以每个线指数最突出的吸收线命名,是一个相对较宽的光谱特征。研究了基于Lick线指数的贝叶斯光谱分类方法,对F,G,K三类恒星进行分类。首先,计算各类光谱的Lick线指数作为特征向量,然后利用贝叶斯分类算法对三类恒星进行分类。针对海量光谱的情况,基于Hadoop平台实现了Lick线指数的计算,以及利用贝叶斯决策进行光谱分类的方法。利用Hadoop HDFS高吞吐率和高容错性的特点,结合Hadoop MapReduce编程模型的并行优势,提高了对大规模光谱数据的分析和处理效率。该研究的创新点为：(1) 以Lick线指数作为特征,基于贝叶斯算法实现恒星光谱分类;(2) 基于Hadoop MapReduce分布式计算框架实现Lick线指数的并行计算以及贝叶斯分类过程的并行化。     

基于线指数特征的海量恒星光谱聚类分析研究

聚类分析是数据挖掘中用以发现数据分布和隐含模式的一种重要算法,能简单有效地研究大样本、多参量和类别未知的光谱数据。以线指数作为光谱数据的特征值能够在尽可能多的保留光谱物理特征的同时,有效解决高维光谱数据聚类分析中运算复杂度较高的问题。本文提出了基于线指数特征的海量恒星光谱数据聚类分析的方法,提取恒星光谱中的Lick线指数作为海量巡天光谱数据的特征,使用k均值聚类算法完成对光谱数据的聚类,然后对聚类结果进行有效的分析。实验结果证明该方法能够快速有效地将具有相似物理特征的恒星光谱数据聚集到一起,该方法可以应用到巡天数据的研究中。     

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。