LAMOST异构环境信息检索系统的设计与实现

环境信息是大天区面积多目标光纤光谱望远镜(the Large Sky Area Multi-Object Fiber Spectroscopic Telescope,LAMOST,又叫郭守敬望远镜)运行状态的一部分,用于辅助望远镜的日常维护、观测以及后期数据处理.环境信息来源于多个子系统,而子系统的数据存储由不同单位设...     

LAMOST一维光谱提取算法的分析与比较

针对LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)2维光谱图像数据,对6种抽谱算法进行了分析与比较.比较的算法包括孔径法、轮廓拟合法、直接反卷积方法、基于Tikhonov正则化的反卷积抽谱算法、基于自适应Landweber迭代的反卷积抽谱算法以及基于Richardson-Lucy迭代的反卷积抽谱算法.通过实验对这些算法在信噪比和分辨率两个方面进行了比较,发现基于Tikhonov正则化的反卷积抽谱算法、基于自适应Landweber迭代的反卷积抽谱算法以及基于RichardsonLucy迭代的反卷积抽谱算法是6种算法中最为可靠的3种抽谱算法.最后,对今后的工作进行了展望.     

LAMOST总控系统消息总线研究

国家重大科学工程项目"大天区面积多目标光纤光谱天文望远镜"LAMOST(Large Sky Area Multi-Object Fiber Spectroscopic Telescope)望远镜控制系统TCS(Telescope Control System)上和观测控制系统OCS(Observatory Control System)进行消息通讯,下控制着主动光学、机架控制、焦面控制等多种光机电实体的运作.该文研究了如何在TCS中利用消息总线对各种不同优先级、不同处理对象的消息进行分类和分解,并按照流程对消息进行并行或串行的处理,以确保整个观测流程的顺利完成.     

LAMOST二维光纤光谱抽谱方法的研究

对LAMOST二维光纤光谱数据处理系统中的抽谱方法进行了阐述,分析了抽谱中关键参数采样点选取对结果的影响,并根据高斯分布函数的特性以及实验情况确定了采样点的选取范围,解决了抽谱结果出现负值的问题.进一步针对大噪声背景下抽谱存在误差较大的问题,提出了基于频域滤波思想的改进抽谱方法.首先利用快速傅立叶变换和低通滤波器将影响光纤实际轮廓的尖锐噪声滤除,然后再进行正常的抽谱.利用LAMOST二维光纤光谱数据处理系统提供的模拟数据进行了实验测试,结果表明改进抽谱方法的可行性与有效性.     

基于加权滤波的低信噪比LAMOST光纤光谱信号降噪

针对低信噪比条件下光谱抽取精度较低的问题,对输入二维光谱图像进行预处理,提出了一种在Wigner时频域加权滤波的方法进行光纤光谱信号降噪,改善低信噪比的光谱数据质量。针对传统低通滤波不能滤除通带内混叠噪声的缺陷,采用Wigner变换获取光谱信号高集中度的时频分布。先构建带通滤波器滤除较分散的明显噪声分量,再针对通带部分设计加权滤波器,根据信号的先验信噪比进行非线性处理,最后利用Wigner变换的边缘特性重构有效信号。实验部分采用大天区面积多目标光纤光谱望远镜(the Large Sky Area Multi-Object Fiber Spectroscopic Telescope,LAMOST)系统的仿真和实测数据验证算法的有效性。     

前照条件下LAMOST焦面板光纤单元定位精度检测系统设计

大天区面积多目标光纤光谱望远镜(Large Sky Area Multi-object Optical Spectroscopic Telescope,LAMOST)是目前国际上口径最大、视场最宽、光谱获取率最高的大型施密特望远镜,通过借助并行可控式双回转光纤定位系统,其焦面系统上的4 000根光纤可以在数分钟内按预定天体坐标快速精确地对准各自观测目标并进行精调。望远镜观测时每一个光纤单元定位情况的好坏直接决定接收天体光谱的质量,然而目前针对光纤定位精度情况仅有的信息就是定位时光纤单元步进电机驱动情况的反馈,是一个内部信息,并不全面,无法给出每一个光纤单元的实际定位精度情况。因此需要搭建一个可用于LAMOST现场的检测系统,在望远镜观测间隙,在前置光源照明条件下,可以第一时间获取焦面板光纤单元定位图像,快速分析之后,检测出定位误差较大的光纤单元,由此决定进一步观测处理措施,以保证观测光谱的有效性和准确率。     

LAMOST子镜镀膜研究进展

对大口径光学/红外天文望远镜而言,为保障其稳定高效运行,镜面镀膜是重要的维护环节之一.镀膜质量的好坏直接影响镜面光学反射率的高低,也严重影响到天文望远镜的成像质量、观测效率.国家重大科技基础设施—大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopic Telescope, LAMOST,又名郭守敬望远镜)自2009年6月通过国家竣工验收并逐步投入巡天观测,目前已进入第2个5 yr巡天计划阶段,取得近两千万的光谱产出和大批高显示度的科学成果. LAMOST共拥有24块施密特改正镜子镜和37块球面主镜子镜,为了确保在野外恶劣观测环境下镜面反射率维持在较高水平,每年要对大批子镜进行镀膜.主要介绍了镀膜需求、镀膜设备,并基于大量实验和多年的完善探索出一套可行的镀膜工艺流程,确保了LAMOST子镜极高的镀膜质量.镀膜后子镜平均反射率高达90%以上,满足了LAMOST光谱巡天的镜面反射率要求.     

基于粒子群优化的LAMOST初始波长定标方法

大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopic Telescope,LAMOST)初始波长定标操作,对于在先验定标系数附近搜索解空间内的每一点,通过插值法生成对应定标系数下的虚拟定标灯谱,再将生成的虚拟定标灯谱与实测定标灯谱作互相关运算,使得相关系数最大时对应的定标系数即为初始定标结果,其实质是一个多参数寻优问题.粒子群优化是一种基于群体智能的随机全局优化算法,具有实现简单、精度高、收敛快的特点.鉴于粒子群优化的优异性能,提出一种基于粒子群优化的LAMOST初始波长定标方法,并设计相应算法和测试实验.实验结果表明,基于粒子群优化的LAMOST初始波长定标在收敛性、解的质量、运行时间等方面都优于基于改进遗传算法参数寻优方法.     

基于主成分分析法搭建A型星有效温度的神经网络模型

大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope, LAMOST,又叫郭守镜望远镜)巡天项目提供了海量恒星光谱数据,DR5数据集中包含大量A型星谱线指数和有效温度的信息。机器学习算法可以发掘数据底层相互关系的神经网络模型,已广泛应用于多个学科。通过使用DR5数据集中的A型星19种谱线指数和有效温度,通过主成分分析法给出了每种谱线指数占整个数据信息的百分比,并以此为基础,选取与有效温度关系最紧密的12种谱线指数,利用有效温度误差小于100 K的数据训练得到有效温度的神经网络回归模型。模型在测试数据集上整体表现较好,程序给出的决定系数R~2为0.904,平均绝对误差为58.38 K。对比相关研究的模型,测量准确度有了明显提升。此外,通过建立模型,对有效温度误差大于100 K的原始数据重新进行测量,得到的有效温度绝对误差的平均值有了明显下降;同时DR5数据集中A5型恒星数据缺少有效温度参数,通过模型的测量,对这一部分数据进行了补充。     

LAMOST数据流与光谱质量控制研究

郭守敬望远镜每日产生海量观测数据,数据处理涉及观测计划生成、二维和一维数据分析、参数测量、质量控制和光谱释放等诸多环节。为了更高效地获取、处理、分析和发布数据以及及时解决数据处理过程中出现的问题,开展了郭守敬望远镜数据流与光谱质量控制研究。首先,深入研究郭守敬望远镜系统数据流和工作流程,结合关系型数据库进行数据建模,实现基于Linux的MySQL数据库系统,将数据处理和发布各个环节有机串联并融合在一起;然后,基于该数据库系统,定义光谱质量控制模型,建立光谱质量控制系统,严格控制光谱质量和光谱产出的各个环节,从而为优质的光谱资源释放提供保障。该数据流与光谱质量控制系统可以很好地满足望远镜数据处理和数据管理的需要,是可以扩展至同类望远镜系统进行数据处理的一种有效方案。     

低分辨率恒星光谱的[α/Fe]估计方法研究

研究了低分辨率恒星光谱的[α/Fe]估计问题.所给方案包括以下3个步骤:首先,使用Haar小波对原始光谱进行四级分解,去除高频成分,以抑制高频噪声干扰;然后,基于光谱数据成分与[α/Fe]的相关性和LASSO(Least Absolute Shrinkage and Selection Operator)算法选择光谱特征;最后,基于MARCS恒星光谱库和多元线性回归方法对[α/Fe]进行测量.并使用ELODIE、SDSS(Sloan Digital Sky Survey)、LAMOST(Large Sky Area Multi-Object Fibre Spectroscopic Telescope)和4个星团的低分辨率恒星光谱数据验证了方法的有效性.在317个ELODIE光谱样本、412个SDSS光谱样本和1276个LAMOST光谱样本(信噪比SNRG大于20)上的(系统偏差,精度)分别为(0.04dex,0.064 dex)、(0.16 dex,0.065 dex)和(0.05 dex,0.062 dex).在球状星团M13、M15以及疏散星团NGC2420、M67上的估计结果与文献值基本一致.     

一种新的基于2维傅里叶谱图像的恒星光谱特征提取方法和深度网络分类应用

天体光谱分类是天文学研究的重要内容之一,其关键是从光谱数据中选择和提取对分类识别最有效的特征构建特征空间.提出一种新的基于2维傅里叶谱图像的特征提取方法,并应用于LAMOST (the Large Sky Area Multi-Object Fiber Spectroscopic Telescope)恒星光谱数据的分类研究中.光谱数据来源于LAMOST Data Release 5(DR5),选取30000条F、 G和K型星光谱数据,利用短时傅里叶变换(Short-Time Fourier Transform, STFT)将1维光谱数据变换成2维傅里叶谱图像,对得到的2维傅里叶谱图像采用深度卷积网络模型进行分类,得到的分类准确率是92.90%.实验结果表明通过对LAMOST恒星光谱数据进行STFT可得到光谱的2维傅里叶谱图像,谱图像构成了新的光谱数据特征和特征空间,新的特征对于光谱数据分类是有效的.此方法是对光谱分类的一种全新尝试,对海量天体光谱的分类和挖掘处理有一定的开创意义.     

大芯径光纤出射环形斑谱线分析

光纤光谱的效率损失主要来源之一是光纤的焦比退化,并且往往还在光谱成像时因焦比退化产生环形出射斑,从而使得光纤传输效率降低,并影响色散之后的谱线轮廓。实验获取郭守敬望远镜调试阶段的大芯径光纤因焦比退化产生的出射环型斑貌,结合CCD光谱图像特点实施轮廓拟合抽谱方法,把二维CCD光谱图像转换成一维光谱,选取望远镜红端数据进行模拟,采样点在500~600 nm波段范围,在该波段中有铁的发射线。通过与获得的环形斑轮廓卷积研究焦比变化对铁发射线峰的影响。最后,正确阐明在正式巡天观测时主镜前悬挂平场漫反射屏消除环形斑引发的偏差的效果。     

基于卷积神经网络的恒星光谱型和光度型的分类模型

恒星光谱分类是天文学中一个重要的研究问题.对于已经采集到的海量高维恒星光谱数据的分类,采用模式匹配方法对光谱型分类较为成功,但其缺点在于标准恒星模版之间的差异性在匹配实际观测数据中不能体现出来,尤其是当需要进行光谱型和光度型的二元分类时模版匹配法往往会失败.而采用谱线特征测量的光度型分类强烈地依赖谱线拟合的准确性.为了解决二元分类的问题,介绍了一种基于卷积神经网络的恒星光谱型和光度型分类模型(Classification model of Stellar Spectral type and Luminosity type based on Convolution Neural Network, CSSL CNN).这一模型使用卷积神经网络来提取光谱的特征,通过注意力模块学习到了重要的光谱特征,借助池化操作降低了光谱的维度并压缩了模型参数的数量,使用全连接层来学习特征并对恒星光谱进行分类.实验中使用了大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope, LAMOST)公开数据集Data Release 5 (DR5,用了其中71282条恒星光谱数据,每条光谱包含了3000多维的特征)对该模型的性能进行验证与评估.实验结果表明,基于卷积神经网络的模型在恒星的光谱型分类上准确率达到92.04%,而基于深度神经网络的模型(Celestial bodies Spectral Classification Model, CSC Model)只有87.54%的准确率; CSSL CNN在恒星的光谱型和光度型二元分类上准确率达到83.91%,而模式匹配方法MKCLASS仅有38.38%的准确率且效率较低.     

基于胶囊网络的恒星光谱分类研究

大型巡天项目的快速发展,产生大量的恒星光谱数据,也使得实现恒星光谱数据的自动分类成为一项具有挑战性的工作.提出一种新的基于胶囊网络的恒星光谱分类方法,首先利用1维卷积网络和短时傅里叶变换将来源于LAMOST(Large Sky Area Multi-Object Fiber Spectroscopy Telescope)Data Release 5(DR5)的F5、G5、K5型1维恒星光谱转化成2维傅里叶谱图像,再通过胶囊网络对2维谱图像进行自动分类.由于胶囊网络具有保留图像中实体之间的分层位姿关系和无需池化层的优点,实验结果表明:胶囊网络具有较好的分类性能,对于F5、G5、K5型恒星光谱的分类,准确率优于其他分类方法.     

LAMOST观测控制系统用户界面设计

位于国家天文台兴隆观测基地的大天区面积多目标光纤光谱天文望远镜(LAMOST)是世界上最大的、可操控的反射施密特望远镜。为了便于控制望远镜,提高观测效率,设计了观测控制系统图形用户界面。首先分析了LAMOST望远镜的控制软件体系结构,采用基于场景的以用户为中心的设计方法,对界面进行了分析和设计。使用Qt、CORBA、多线程技术和MVC模式,实现了用户界面,并对界面进行了测试。最后,用户界面得到了用户的认可,成功应用于LAMOST观测。     

举世瞩目的天文工程——LAMOST望远镜

2009年6月4日,河北省兴隆县,燕山山脉主峰南麓,国家天文台兴隆观测站。这里一反平日里的偏僻静寂,呈现出热烈欢腾的景象。国家重大科学工程——LAMOST（The Large Sky Area Multi—Object Fiber Spectroscopic Telescope,即大天区面积多目标光纤光谱天文望远镜）工程验收会议在这里举行。     

基于优先策略的动态选星算法

论述了LAMOST巡天观测战略系统(SSS)中观测策略的实现方法选星算法问题．以国外SDSS望远镜为例介绍了静态选星算法，分析了其不足之处，并结合LAMOST望远镜的特点，提出了一种新的选星算法-“动态选星”算法．动态选星算法基于优先策略原理，可以在满足覆盖完备性的基础上，优化观测效率，并能方便地兼顾观测条件的约束．给出了算法的原理和框架描述，并针对算法进行了模拟计算，证明了算法的有效性．另外需要指出的是动态选星算法不仅适用于LAMOST，它可以普遍地应用于多目标光纤望远镜的巡天选星．     

LAMOST远程无线监控系统研究

国家重大科学工程项目“大天区面积多目标光纤光谱天文望远镜”LAMOST（Large sky Area Multi-Object fiber Spectroscopic Telescope）目前已经进入了安装调试阶段,在2007年即将逐步投入使用．LAMOST总控系统是一个复杂的软件工程,需要对望远镜实时监控并给维护者提供多种控制手段．随着手机成为大众日常通讯工具,利用基于GSM（GlobalSystemforMobilecommunication）网络的手机短信对LAMOST望远镜进行远程无线监控,已经成为总控系统的一种辅助监控手段．文章着重描述该系统的软硬件原理、接口、控制流以及安全性的考虑．该项研究的使用在国内望远镜控制系统中尚属首次,目前已获得国家发明专利申请号．     

基于深度学习的LAMOST星系星族参数测量

星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型.