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.     

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。     

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.     

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.     

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.     

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.     

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.     

改进遗传算法在初始波长定标中的应用

在LAMOST和SDSS二维光谱数据处理的初始波长定标操作中,通常给定色散曲线的一组初始拟合系数,然后在其附近一定空间内进行搜索,以期找到一组最优的系数.这实际上是一个全局寻优的问题.LAMOST和SDSS目前使用的是枚举式搜索方式,但是由于缺乏全局最优解的先验知识,需要大量的时间遍历整个解空间才能得到全局最优解.遗传算法由于使用了启发式搜索方式,是一种高效的全局寻优算法.在标准遗传算法的框架上,通过使用有效的编码方式、适应度函数以及选择、交叉、变异等遗传算子,构造了一种能够用于初始波长定标的快速收敛的改进遗传算法.通过Shaffer's F6函数的测试,该改进遗传算法具有良好的全局收敛性.将该改进遗传算法引入到LAMOST初始波长定标的寻优操作中,实验表明该算法能够取得较好的效果.