快速射电暴观测数据干扰缓解方法研究

从海量的天文观测数据中快速搜寻罕见的快速射电暴(Fast Radio Burst, FRB)事件, 干扰缓解是其中一项关键而具有挑战的工作. 射频干扰(Radio Frequency Interference, RFI)会淹没真实的天文事件, 还会导致搜寻管线输出大量的假阳性候选体. 由于干扰来源及其种类的复杂性, 目前并没有一种通用的方法可以解决这个问题. 为了降低干扰对FRB观测搜寻的影响, 分析和研究了南山26m射电望远镜L波段观测数据中的干扰情况, 针对主要的窄带干扰和宽带干扰建立了3层次的干扰缓解处理流程, 从而有效缓解了观测数据的干扰污染情况. 将该流程嵌入到FRB色散动态谱搜寻(Dispersed Dynamic Spectra Search, DDSS)管线中, 实验结果表明, 搜寻管线的检测率和检测精度得到了进一步的提高. 该方法为FRB观测数据干扰缓解处理提供了有价值的参考.     

基于机器学习的单脉冲搜索候选体识别对FAST观测CRAFTS数据的应用研究

单脉冲搜索作为脉冲星探测的有力工具,在探测旋转射电暂现源以及快速射电暴中扮演着重要角色。为了从海量的射电巡天数据中快速筛选出最有价值的单脉冲搜索候选体,候选体识别已经从早期启发式阈值判断发展到基于机器学习自动识别。对于FAST观测,研究了基于机器学习的单脉冲搜索候选体识别应用到CRAFTS (the commensal radio astronomy FAST survey)超宽带脉冲星数据的性能表现。在评估过程中,使用单脉冲事件组识别(SPEGID)和单脉冲搜索器(SPS)两类自动识别方法,通过7种不同机器学习分类器对CRAFTS基准数据集产生的单脉冲搜索候选体进行自动识别;作为对比,也使用了启发式阈值判断的方法 (RRATtrap和Clusterrank)。结果表明,SPEGID具有最好的性能表现(最高的F1-score值95.1%、次高的召回率95.4%、最低的假阳性率4.7%),SPS具有最快的筛选速度(平均每小时筛选4 010个候选体)。通过对比分析结果,探讨了如何基于FAST观测数据开展高效的单脉冲搜索候选体识别。     

基于深层残差网络的脉冲星候选体分类方法研究

随着下一代射电天文望远镜的不断改进和发展,脉冲星巡天观测将发现数百万个脉冲星候选体,这给脉冲星的识别和新脉冲星的发现带来了巨大挑战,迅速发展的人工智能技术可用于脉冲星识别.使用Parkes望远镜的脉冲星数据集(The High Time Resolution Universe Survey,HTRUS),设计了一个14层深的残差网络(Residual Network,ResNet)进行脉冲星候选体分类.在HTRUS数据样本中,存在非脉冲星候选体(负样本)的数目远远大于脉冲星候选体(正样本)数目的样本非均衡问题,容易产生模型误判.通过使用过采样技术对训练集中的正样本进行数据增强,并调整正负样本的比例,解决了正负样本非均衡问题.训练过程中,使用5折交叉验证来调节超参数,最终构建出模型.测试结果表明,该模型能够取得较高的精确度(Precision)和召回率(Recall),分别为98%和100%,F1分数(F1-score)能够达到99%,每个样本检测完成只需要7 ms,为未来脉冲星大数据分析提供了一个可行的办法.     

基于图像相减和随机森林的AST3巡天暂现源及变源搜寻方法

AST3-2 (Antarctic Survey Telescopes)光学巡天望远镜位于南极大陆最高点冰穹A,其产生的大量观测数据对数据处理的效率提出了较高要求.同时南极通信不便,数据回传有诸多困难,有必要在南极本地实现自动处理AST3-2观测数据,进行变源和暂现源观测的数据处理,但是受到低功耗计算机的限制,数据的快速自动处理的实现存在诸多困难.将已有的图像相减方案同机器学习算法相结合,并利用AST3-2 2016年观测数据作为测试样本,发展一套的暂现源及变源的筛选方法成为可行的选择.该筛选方法使用图像相减法初步筛选出可能的变源,再用主成分分析法抽取候选源的特征,并选择随机森林作为机器学习分类器,在测试中对正样本的召回率达到了97%,验证了这种方法的可行性,并最终在2016年观测数据中探测出一批变星候选体.     

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.     

基于机器学习的日冕仪图像分类方法研究

日冕物质抛射(Coronal Mass Ejection, CME)的检测是建立CME事件库和实现对CME在行星际传播的预报的重要前提. 通过Visual Geometry Group (VGG) 16卷积神经网络方法对日冕仪图像进行自动分类. 基于大角度光谱日冕仪(Large Angle and Spectrometric Coronagraph Experiment, LASCO) C2的白光日冕仪图像, 根据是否观测到CME对图像进行标记. 将标记分类的数据集用于VGG模型的训练, 该模型在测试集分类的准确率达到92.5%. 根据检测得到的标签结果, 结合时空连续性规则, 消除了误判区域, 有效分类出CME图像序列. 与Coordinated Data Analysis Workshops (CDAW)人工事件库比较, 分类出的CME图像序列能够较完整地包含CME事件, 且对弱CME结构有较高的检测灵敏度. 未来先进天基太阳天文台(Advanced Space-based Solar Observatory, ASO-S)卫星的莱曼阿尔法太阳望远镜将搭载有白光日冕仪(Solar Corona Imager, SCI), 使用此分类方法将该仪器产生的日冕图像按有无CME分类. 含CME标签的图像将推送给中国的各空间天气预报中心, 对CME进行预警.     

快速射电暴寄主星系色散量的估计

定位快速射电暴(Fast Radio Burst, FRB)以及确认其寄主星系至今仍是一个具有挑战性的难题,截至2021年4月已确认13个快速射电暴的寄主星系,其中只有3个重复暴,其余都是非重复暴.快速射电暴的寄主星系对快速射电暴起源的探索起着非常重要的作用,约束着快速射电暴前身星模型.对这些已确认寄主星系的FRB进行研究,发现FRB寄主星系对色散量(Dispersion Measure, DM)的贡献在一定范围内波动(0–240 pc·cm-3),并且寄主星系对DM的贡献与寄主星系的性质(恒星形成率、金属丰度)也可能具有关联性.寄主星系恒星形成率、金属丰度与色散量的统计关系对FRB邻近环境的研究有着重要意义.     

基于光变曲线的空间碎片基本形状分类

将未编目的空间碎片正确分类是空间态势感知的重要组成部分. 基于光变曲线, 通过仿真和实测实验, 探讨了空间碎片基本类型的机器学习分类方法. 在数据集中的仿真光变来自形状或材料不同的4类碎片, 实测光变从Mini-Mega TORTORA (MMT)数据库中提取, 实验以深度神经网络作为分类模型, 并和其他机器学习方法进行了比较. 结果显示深度卷积网络优于其他算法, 在仿真实验中对不同材料的圆柱体都能准确识别, 对其余两类卫星的识别率在90%左右; 实测实验中对火箭体和失效卫星的2分类准确率超过99%, 然而在进一步的型号/平台分类中, 准确率有所降低.     

一种低表面亮度星系的自动搜索算法newline--YOLOX-CS

低表面亮度星系(Low Surface Brightness Galaxy, LSBG)的特征对于理解星系整体特征非常重要, 通过现代的机器学习特别是深度学习算法来搜寻扩充低表面亮度星系样本具有重要意义. LSBG因特征不明显而难以用传统方法进行自动和准确辨别, 但深度学习确具有自动找出复杂且有效特征的优势, 针对此问题提出了一种可用于在大样本巡天观测项目中搜寻LSBG的算法---YOLOX-CS (You Only Look Once version X-CS). 首先通过实验对比5种经典目标检测算法并选择较优的YOLOX算法作为基础算法, 然后结合不同注意力机制和不同优化器, 构建了YOLOX-CS的框架结构. 数据集使用的是斯隆数字化巡天(Sloan Digital Sky Survey, SDSS)中的图像, 其标签来自于$\alpha.40$-SDSS DR7 (40%中性氢苜蓿巡天与第7次数据发布的斯隆数字化巡天的交叉覆盖天区)巡天项目中的LSBG, 由于该数据集样本较少, 还采用了深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks, DCGAN)模型扩充了实验测试数据. 通过与一系列目标检测算法对比后, YOLOX-CS在扩充前后两个数据集中搜索LSBG的召回率和AP (Average Precision)值都有较好的测试结果, 其在未扩充数据集的测试集中的召回率达到97.75%, AP值达到97.83%, 在DCGAN模型扩充的数据集中, 同样测试集下进行实验的召回率达到99.10%, AP值达到98.94%, 验证了该算法在LSBG搜索中具有优秀的性能. 最后, 将该算法应用到SDSS部分测光数据上, 搜寻得到了765个LSBG候选体.     

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.     

Integrating VOEvent into the ground‐based O/IR system: A case study at NOAO

In this article we describe a case study of how NOAO is considering improving its management of Target‐of‐Opportunity (ToO) observations by integrating VOEvent into the flow of activities. We believe that using VOEvent to help document and track the use of ToO time will improve the user experience of ToOs at NOAO. It will also greatly aid in the management of the process and of the resulting data, allowing us to better track the ownership and provenance of the data and any resulting data products. Finally, it will provide an important method of archival access to the data and data “collections,” which might include not only processed data from a single VOEvent triggered observation but could also include multiple observations traceable to a single (or set of related) VOEvents. (© 2008 WILEY‐VCH Verlag GmbH & Co. KGaA, Weinheim)     

小行星YORP效应的可探测候选体

YORP (Yarkovsky-O''Keefe-Radzievskii-Paddack)效应是小行星长期动力学演化的机制之一. 与碰撞、引力摄动等因素相比, YORP效应作用量级小, 短时标观测效应不明显, 这给直接测量YORP效应带来了很大的困难. 利用小行星光变数据库中已知的小行星数据, 统计了小行星的自转速率分布, 使用核密度估计以及Kolmogorov-Smirnov检验分别分析了近地小行星和主带小行星自转速率的分布特性, 分别给出了在近地小行星和主带小行星中寻找受YORP效应影响减速自转的最佳样本群; 基于7颗已被探测到YORP旋转加速度的近地小行星, 利用YORP强度估计方法和光变探测条件建立了筛选模型, 给出了未来可直接通过光变数据探测\lk YORP效应的10颗近地小行星.     

基于直接成像法的多星系统观测

系外行星直接成像探测能够获取系外行星更全面的物理信息,是未来搜寻系外生命的关键技术之一.针对近期地基望远镜高对比度成像观测数据,对新发现的多星候选体进行系统展示.前期,结合地基系外行星高对比度成像设备观测能力,从已发表文献整理的Gaia星表恒星数据中筛选,得到约1000个观测目标.这些目标分布于不同的年轻星团中.近期,使用Palomar天文台Hale望远镜对上述观测目标中的42个目标在K波段开展了高对比度成像观测.这些目标恒星在可见光波段为7.5-14.2019年经过两轮观测,发现了6个多星系统候选体,这些目标在Gaia Data Release 2星表和Gaia early Data Release 3星表中难以确认是单星还是多星系统.     

Pulsar candidate classification with deep convolutional neural networks

As the performance of dedicated facilities has continually improved, large numbers of pulsar candidates are being received, which makes selecting valuable pulsar signals from the candidates challenging. In this paper, we describe the design for a deep convolutional neural network(CNN) with 11 layers for classifying pulsar candidates. Compared to artificially designed features, the CNN chooses the subintegrations plot and sub-bands plot for each candidate as inputs without carrying biases. To address the imbalance problem, a data augmentation method based on synthetic minority samples is proposed according to the characteristics of pulsars. The maximum pulses of pulsar candidates were first translated to the same position, and then new samples were generated by adding up multiple subplots of pulsars. The data augmentation method is simple and effective for obtaining varied and representative samples which keep pulsar characteristics. In experiments on the HTRU 1 dataset, it is shown that this model can achieve recall of 0.962 and precision of 0.963.     

An Automatic Method for Detecting Transients and Variable Sources in AST3 Survey Based on Image Subtraction and Random Forest

AST3-2 (the second Antarctic Survey Telescope) is located in Antarctic Dome A, the loftiest ice dome on the Antarctic Plateau. It produces a huge amount of observational data which require a more efficient data reduction program to be developed. Also the data transmission in Antarctica is much difficult, thus it is necessary to perform data reduction and detect variable and transient sources remotely and automatically in Antarctica, but this attempt is restricted by the unsatisfactory performance of the low power consumption computer in Antarctica. For realizing this purpose, to develop a new method based on the existing image subtraction method and random forest algorithm, taking the AST3-2 2016 dataset as the test sample, becomes an alternative choice. This method performs image subtraction on the dataset, then applies the principle component analysis to extract the features of residual images. Random forest is used as a machine learning classifier, and in the test a recall rate of 97% is resulted for the positive sample. Our work has verified the feasibility and accuracy of this method, and finally found out a batch of candidates for variable stars in the AST3-2 2016 dataset.     

Map making in small field modulated CMB polarization experiments: approximating the maximum likelihood method

Map making presents a significant computational challenge to the next generation of kilopixel cosmic microwave background polarization experiments. Years worth of time ordered data (TOD) from thousands of detectors will need to be compressed into maps of the T , Q and U Stokes parameters. Fundamental to the science goal of these experiments, the observation of B modes, is the ability to control noise and systematics. In this paper, we consider an alternative to the maximum likelihood method, called destriping , where the noise is modelled as a set of discrete offset functions and then subtracted from the time stream. We compare our destriping code (Descart: the DEStriping CARTographer) to a full maximum likelihood mapmaker, applying them to 200 Monte Carlo simulations of TOD from a ground-based, partial-sky polarization modulation experiment. In these simulations, the noise is dominated by either detector or atmospheric  1/ f   noise. Using prior information of the power spectrum of this noise, we produce destriped maps of T , Q and U which are negligibly different from optimal. The method does not filter the signal or bias the E- or B-mode power spectra. Depending on the length of the destriping baseline, the method delivers between five and 22 times improvement in computation time over the maximum likelihood algorithm. We find that, for the specific case of single detector maps, it is essential to destripe the atmospheric  1/ f   in order to detect B modes, even though the Q and U signals are modulated by a half-wave plate spinning at 5 Hz.     

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.