基于MATLAB的一维光谱可视化与分析工具的设计与实现

随着LAMOST光谱巡天项目的不断推进,积累的光谱数量已经步入千万量级。因科学研究需求或大量低信噪比光谱的不断产出,在光谱处理过程中,常涉及大量的人工识谱任务。为了方便用户高效便捷地进行人工识谱,基于MATLAB设计并实现了一套一维光谱可视化与分析工具。该工具包括谱线标识、滤波去噪、红移测量、等值宽度估算等功能。该工具操作简单、直观,在特殊天体搜寻、LAMOST "UNKONWN"光谱的人工处理等方面具有较高的使用价值。     

一句话新闻

2008年9月27日夜,LAMOST在调试中一次观测得到1000余条天体的光谱开始,到至今的调试观测中,LAMOST都不断地获得每次约2000多天体的光谱。用于调试观测的天体一般是亮于17等,光谱是在无云观测夜曝光至少5分钟后获得的。与国际上迄今最多一次观测只能得到600多条天体的光谱相比,LAMOST已经成为世界上光谱观测获取率最高的望远镜。     

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.     

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.     

LAMOST网络控制系统结构

LAMOST(大型多天体分光望远镜)建成后将成为世界上视场最大、光谱观测效率最高的4m级口径以上的光学望远镜。它将要同时高效地观测4000颗星的光谱,这对网络控制系统的设计是巨大的挑战。该文主要从LAMOST网络控制系统构建的角度介绍了系统如何在大数据量、多任务的情况下实现各子系统控制、环境监测、授时和无线远程监控等功能,叙述了在该系统中运用的实时分布式操作系统、实时数据库,全球定位系统(GPS)和全球移动通讯系统(GSM)等多项技术．     

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.     

我们的新“眼睛”——近十年部分自主望远镜剪影

郭守敬望远镜（LAMOST）在长城之外、燕山群峰中,坐落着国家天文台兴隆观测基地的郭守敬望远镜（LargeSkyAreaMulti-ObjectF1breSpectroscopyTelescope,简称LAMOST）。这座2011年正式投入运行的巨无霸,由我国科研人员自主研制,主要任务是对天体进行“户口普查”,一次可得多至4000个天体的光谱,将成为世界上光谱获取率最高的望远镜,而且也是世界上口径最大的大视场（野）望远镜。     

恒星大气物理参量的非参数估计方法

恒星大气物理参量（有效温度、表面重力、化学丰度）是导致恒星光谱差异的主要因素．恒星大气物理参量的自动测量是LAMOST等大规模巡天望远镜所产生的海量天体光谱数据自动处理中一个重要研究内容．针对测量大样本的恒星光谱数据估计每个恒星的大气物理参量，提出了一种基于变窗宽核函数的估计算法：变窗宽算法是对固定窗宽算法的改进，分为3个步骤：（1）将历史恒星光谱数据进行PCA处理，得到光谱的低维特征数据；（2）利用特征数据与其物理参数的对应关系，建立一种变窗宽的非参数估计模型；（3）利用该估计模型，直接计算待测恒星光谱的3个物理参量（有效温度、表面重力、金属丰度）．实验结果表明：该方法与固定窗宽估计模型以及在其他文献中报道的方法相比，具有较高的估计精度和鲁棒性．     

天球上和LAMOST焦面上天体位置关系的研究

用主光线法对正在研制的大天区面积多目标光纤光谱望远镜（LAMOST）焦面上天体成像位置进行了研究,提出了在焦面上确定天体位置的方法,导出了天体在天球和LAMOST实际焦面上一一对应的位置关系。本的方法可用于焦面上光纤位置的确定,同时,也为已知天体在焦面上的位置确定其在天球上的位置提供了一种方法。     

使用小波技术自动搜寻天体谱线

使用小波技术对包括恒星、近邻星系和ＡＧＮ等不同的天体光谱进行了自动处理,用小波滤波的方法将光谱中的连续谱与谱线分离,然后使用小波域隐含马尔可夫模型（ＨＭＭ）,对已去掉连续谱的光谱进行降噪,同时得到了噪声在每个光谱中的分布;在训练ＨＭＭ的过程中,使用改进的Ｔｙｉｎｇ方法增加训练数据以保证训练的可靠性,利用噪声分布确定出谱线信号的局部阈值,在已经降噪的光谱中找到吸收线和发射线,用高斯函数拟合出谱线的形     

一种基于二维算法的新颖的多目标光纤光谱数据处理流程

郭守敬望远镜(Large Sky Area Multi-Object Fiber Spectroscopic Telescope,LAMOST)、斯隆数字巡天(Sloan Digital Sky Survey,SDSS)、英澳望远镜(AngloAustralia Telescope,AAT)等大多数多目标光纤光谱望远镜现用的数据处理流程都是基于一维算法的.以LAMOST为例提出多目标光纤光谱数据处理流程方法.在LAMOST现用数据处理流程中,在预处理过程之后,通过基于一维模型的抽谱算法从二维观测目标光谱数据中得到一维抽谱结果作为中间数据.后续的处理步骤都基于一维模型的算法.然而,这种数据处理流程不符合观测光谱的形成机理.因此,在每个步骤中都引入了不可忽略的误差.为了解决这一问题,提出了一种还未被用于LAMOST及其他望远镜数据处理系统的新颖的数据处理流程.重新设计安排了各个数据处理模块的顺序,各关键步骤算法都是基于二维模型的.核心算法将详细论述.此外,列出了部分实验结果来证明二维算法的有效性和优越性.     

一种基于主分量分析的减天光方法

天光是天体观测中的一种重要噪声源.减天光问题是制约多目标光纤光谱观测深度的重要因素.主分量分析(PCA)是统计学的一种分析方法,它可以用来寻找各个天光谱之间的关系,以进一步获得目标光谱中含有的天光成分.为了研究LAMOST的减天光方法,用SDSS的一组原始观测数据进行了仿真实验,实验结果表明,采用PCA方法比SDSS处理程序能够更有效地减天光.最后对PCA方法在LAMOST中的应用前景进行了展望.     

基于SDSS的河内恒星DIBs自动识别方法

星际弥散带(Diffuse Interstellar Bands,DIBs)自发现以来已经经历了近百年的研究,但是至今仍然是天体光谱学上的一个未解之谜。针对SDSS DR7的光谱数据提出了一种星际弥散带特征自动识别方法。该方法基于谱线特征匹配,通过光谱流量限制的方法进行星际弥散带特征的自动识别。利用它可对相对定标的巡天光谱进行广泛的星际弥散带候选天体搜索,在海量光谱数据中获取更多具有星际弥散带特征的河内恒星。通过对SDSS DR7中位置相对合适的超过300个盘的天体光谱的遍历,已经得到了一系列具有星际弥散带特征的候选河内恒星,并且证明了该方法简单有效且具有鲁棒性。这为载体证认等工作提供了大量辅助数据,极大地推进了星际弥散带的研究。     

The Cannon:一种基于光谱数据的恒星参数测量方法

新一代大规模光谱巡天项目产生了近千万条低分辨率恒星光谱,基于这些光谱数据,介绍一种名为The Cannon的机器学习方法。该方法完全基于已知恒星大气参数(有效温度、表面重力加速度和金属丰度等)的光谱数据,通过数据驱动来构建特征向量,建立光谱流量特征和恒星参数的函数对应关系,进而应用到观测光谱数据中,实现对恒星光谱的大气参数求解。The Cannon的主要优势为不直接基于任何恒星物理模型,适用性更广;由于使用了全谱信息,即便对于低信噪比光谱也能得到较高可信度的参数结果,该算法在大规模恒星光谱的数据处理和参数求解方面具有明显的优势。此外,还利用The Cannon得到LAMOST光谱数据中K巨星和M巨星的恒星参数。     

基于SDSS的河内恒星DIBs自动识别方法

星际弥散带(Diffuse Interstellar Bands,DIBs)自发现以来已经经历了近百年的研究,但是至今仍然是天体光谱学上的一个未解之谜.针对SDSS DR7的光谱数据提出了一种星际弥散带特征自动识别方法.该方法基于谱线特征匹配,通过光谱流量限制的方法进行星际弥散带特征的自动识别.利用它可对相对定标的巡天光谱进行广泛的星际弥散带候选天体搜索,在海量光谱数据中获取更多具有星际弥散带特征的河内恒星.通过对SDSS DR7中位置相对合适的超过300个盘的天体光谱的遍历,已经得到了一系列具有星际弥散带特征的候选河内恒星,并且证明了该方法简单有效且具有鲁棒性.这为载体证认等工作提供了大量辅助数据,极大地推进了星际弥散带的研究.     

猎户座分子云团中弥散电离介质的视向速度及线强度比分布

恒星形成区是研究恒星形成物理过程最重要的天体物理实验室. 猎户座分子云团是研究各种质量恒星形成和相关年轻恒星性质的一个著名天区. 通过对恒星形成区的光学光谱分析, 可以获取其内部热电离气体的运动学和化学性质. 基于国家大科学装置郭守敬望远镜(LAMOST)的光谱观测数据, 从LAMOST I期光谱巡天数据中筛选出8个指向猎户座分子云团的观测面板, 获取了1300多条针对猎户座分子云团内弥散电离介质的有效光谱. 选取不受星际介质污染的背景天光光谱构建超级天光, 对这些光谱数据做减天光处理, 并进一步测量其发射线性质，包括Ha、N Ⅱ] λ 6584、[S Ⅱ]λλ 6717和6731等发射线的中心波长和积分流量等.最后给出猎户座分子云团内弥散电离介质的视向速度和线强度比分布情况.     

基于DenseNet的天体光谱分类方法

天体光谱数据的智能处理正由传统机器学习方法逐步转向深度学习,主要采用基于计算机视觉的技术手段。基于计算机视觉领域广泛应用的DenseNet网络结构,针对光谱数据进行修改,建立了适用于光谱数据的一维卷积神经网络模型,解决天体光谱数据分类任务。在验证数据集上,恒星、星系、类星体的F1分数达到了0.998 7、0.912 7、0.914 7,高于传统的神经网络。光谱分类关注区域的可视化结果表明,本文模型可以学习到各类天体对应的特征谱线,具有较强的可解释性。本文方法被用于阿里云天池天文数据挖掘大赛——天体光谱智能分类,并在843支参赛队伍的3次数据评比中获得了2次第一、1次第三的成绩,证明了该模型在保证分类精度的同时,具有极强的鲁棒性、泛化性,适用于光谱的自动分类。     

使用小波技术自动搜寻天体谱线

使用小波技术对包括恒星、近邻星系和ＡＧＮ等不同的天体光谱进行了自动处理．用小波滤波的方法将光谱中的连续谱与诸线分离;然后使用小波域隐含马尔可夫模型（ＨＭＭ）,对已去掉连续谱的光谱进行降噪,同时得到了噪声在每个光谱中的分布;在训练ＨＭＭ的过程中,使用改进的Ｔｙｉｎｇ方法增加训练数据以保证训练的可靠性;利用噪声分布确定出谱线信号的局部阈值,在已经降噪的光谱中找到吸收线和发射线;用高斯函数拟会出谱线的形状,标出线心的波长值,作为自动证认的基础．     

基于MYSQL/LINUX 的LAMOST数据库设计与实现

大天区面积多目标光纤光谱天文望远镜（LAMOST）将被建成，在投入使用之前设计开发出全自动处理光谱的软件系统是必需的。完善的数据库系统是该光谱处理软件不可缺少的一部分。本文分析了LAMOST对数据库的需求，设计并实现了基于MYSQL／LINUX的LAMOST数据库系统并对该系统进行了初步测试。     

基于数据仓库的星系光谱分类

大天区面积多目标光纤光谱天文望远镜(LAMOST)将被建成,会产生大量的星系光谱数据。根据天文数据的积累过程,我们设计基于数据仓库的星系光谱分类系统。文章首先介绍了星系光谱的特征,数据仓库的特点,在此基础上描述了建立基于数据仓库的星系光谱自动分类系统的步骤,并给出对该系统进行测试的结果。