基于聚类的星系光谱分析

各类大型巡天项目产生了海量的天文数据,因此,需要研究适用于大规模数据的光谱自动处理方法。传统的基于谱线检测或BPT(Baldwin, Phillips, Terjevich)诊断图的星系光谱分类方法难以直接应用于星系光谱自动分类,相比之下,基于机器学习的光谱自动分析更适用于海量天文数据的分类研究。提出一种基于双层聚类的星系光谱分析方法。第1层采用k均值聚类算法将星系光谱分为吸收线星系和发射线星系,第2层使用CLARA(Clustering LARge Applications)聚类算法将发射线星系聚为5簇。对LAMOST DR5的星系数据进行实验,结果表明:(1)第1层k均值聚类能够成功将星系光谱分为吸收线星系和发射线星系,聚类簇与基于谱线检测的分类结果基本一致。(2)第2层CLARA聚类结果能够在BPT图中反映出不同的星系类型。(3)光谱聚类结果与颜色星等图分类存在预期的相关性。(4)k均值聚类和CLARA聚类能够适用于大规模数据自动分析处理,聚类结果能够很好地反映星系的物理性质和演化过程,簇心数据可以为光谱自动分类系统提供模板。     

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.     

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。     

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.     

晚型星计算机自动光谱分类

在对恒星形成区（ＳＦＲ）中ＲＯＳＡＴ选弱发射线Ｔ Ｔａｕｒｉ星（ＷＴＴＳ）进行光谱证认的过程中,发展了一套基于北京天台２．１６米光学望远镜及其ＯＭＲ卡焦光谱仪系统的晚型星中色散（５０Ａ／ｍｍ）光谱计算机自动光谱分类方法。对ＲＯＳＡＴ选ＷＴＴＳ候选体中晚型星进行自动光谱分类的结果表明,一般情况下,光谱型的分类精度可达±１个次级,个别源为±２个次级。该自动光谱分类方法同时适用于其它光谱晚型星。     

多任务Lasso回归法在恒星光谱物理参量估计中的应用

多任务学习方法在机器学习、计算机视觉、人工智能领域已得到广泛关注,利用任务间的相关性,将多个任务同时学习的效果优于每个任务单独学习的情况.采用多任务Lasso回归法(Multi-task Lasso Regression)用于恒星光谱物理参量的估计,不仅可以获取不同物理参量间的共同的特征信息,而且也可以很好地保留不同物理参量的特有的补充信息.使用恒星大气模拟模型合成光谱库ELODIE中的光谱数据和美国大型巡天项目Sloan发布的SDSS实测光谱数据进行实验,模型估算精度优于相关文献中的方法,特别是对重力加速度(lg g)和化学丰度([Fe/H])的估计.实验中通过改变光谱的分辨率,施加不同信噪比(SNR)的噪声,来说明模型的稳定性强.结果表明,模型精度受光谱分辨率和噪声的影响,但噪声对其影响更大,可见,多任务Lasso回归法不仅操作简便,稳定性强,而且也提高了模型的整体预测精度.     

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。     

晚型星计算机自动光谱分类

在对恒星形成区（ＳＦＲ）中ＲＯＳＡＴ选弱发射线ＴＴａｕｒｉ星（ＷＴＴＳ）进行光谱证认的过程中,发展了一套基于北京天文台２．１６米光学望远镜及其ＯＭＲ卡焦光谱仪系统的晚型星中色散（５０Ａ／ｍｍ）光谱计算机自动光谱分类方法．对ＲＯＳＡＴ选ＷＴＴＳ候选作中晚型星进行自动光谱分类的结果表明,一般情况下,光谱型的分类精度可达±１个次级,个别源为±２个次级．该自动光谱分类方法同时适用于其他光谱晚型星．     

如何观测昏暗梅西叶天体

每年3月份是观测梅西叶天体的佳期,现在我们将奥马拉(Stephen James O'Meara)在观测昏暗梅西叶天体的一些经验介绍给喜爱这项活动的天文爱好者,其实这也同样适用于观测所有的昏暗天体。 1.视网膜是眼睛的感光部分,感光物质位于感光细胞内。感光细胞有两种,分别叫做视锥细胞和视杆细胞。视锥细胞适于白昼视觉,视杆细胞适于黑夜视觉。当人们从亮处进入暗处时,视锥细胞"关闭"了     

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．     

基于深度学习技术的恒星大气物理参数自动估计

深度学习是当前机器学习、模式识别和人工智能领域中的一项热点研究技术,非常适用于处理复杂的大规模数据.基于深度学习理论构建了一个5层的栈式自编码深度神经网络,对恒星大气物理参数进行自动估计,网络各层的节点数分别为3821-500-100-50-1.使用美国大型巡天项目Sloan发布的Sloan Digital Sky Survey(SDSS)实测光谱以及由Kurucz的New Opacity Distribution Function(NEWODF)模型得到的理论光谱进行了实验验证,对有效温度(Teff)、表面重力加速度(lg g)和金属丰度([Fe/H])3个物理参数进行了自动估计.结果表明,栈式自编码深度神经网络的估计精度较好,其中在SDSS数据上的平均绝对误差分别为:79.95(Teff/K),0.0058(lg(Teff/K)),0.1706(lg(g/(cm·s~(-2)))),0.1294 dex([Fe/H]);在理论数据上的平均绝对误差分别是:15.34(Teff/K),0.0011(lg(Teff/K)),0.0214(lg(g/(cm·s~(-2)))),0.0121 dex([Fe/H]).     

光谱预处理及其对星系/类星体分类结果的影响

由于噪声、畸变和观测环境等因素的影响,在天体光谱自动处理之前,需要对它进行相应的预处理.研究巡天光谱的预处理(数据格式和流量标准化)对光谱自动分析的影响.分析了同数据格式对光谱及其谱线特征的影响和格式标准化研究的必要性;通过分析光谱流量数量级的不确定性及其特点,提出了流量数量级变化的基本模型,并给出了相应的标准化方法.通过星系和类星体的分类实验,结果表明:1)采用对数波长数据格式对光谱的自动分类更有利;2)验证了所提出的流量标准化模型的合理性,以及所给流量标准化方法良好的性能.特别需要指出的是,文献中通常采用的流量标准化方法在光谱自动分类中的效果反而是较差的.     

50个发射线天体的物端稜镜光谱

从1981年开始,北京天文台开展了发射线星系的物端稜镜巡天。用60/90cm Schmidt望远镜加5.°3的物端稜镜在敏化的ⅢaJ底片上可以得到亮于16~m的星系光谱像。本文公布了第一批巡天结果:在覆盖天区约220平方度的12张底片上证认出50个发射线天体,47个河外星系(其中3个可能是新的Seyfert星系),3个行星状星云(其中一个N2242以前被当作河外星系)。文中给出了这些天体的名称、坐标、星等及光谱结构分类等资料,并比较系统地讨论了发射线星系的证认及光谱结构分类。我们还将本巡天的结果与其他天文台的结果作了比较。这些天体的证认图见图版Ⅰ—Ⅱ。     

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.     

基于积分视场单元的三维天文成像光谱技术

近年来,三维成像光谱技术主要是发展和采用积分视场单元方法,即将枧场内的展源目标连续切割成若干单元,重新排列后进入光谱仪器,同时获得展源的高分辨率三维数据立方体(x,y和λ).相对于传统的技术方法,这种基于积分枧场单元的三维成像光谱技术进行一次观测可以同时获取天体各处的二维空间信息和光谱信息.采用积分视场单元虽然在光谱数据处理上会带来很多困难,但由于其在观测时间和效率上具有明显的优点,因此值得采用.该文简要介绍了三维成像光谱技术的原理;评述了目前实现三维成像光谱的三种不同类型的技术系统:小透镜阵系统、光纤加小透镜阵系统、像切分器系统,重点介绍了像切分器系统的有关情况;最后展望了三维成像光谱技术在天文学上的应用.     

EfficientNetV2-S-Triplet7: 一种改进的星系newline 形态学分类算法

星系的形态与星系的形成和演化息息相关, 其形态学分类是星系天文学后续研究的重要一环. 当前海量天文观测数据的出现使得天文数据自动分析方法越来越得到重视, 针对此问题, 利用先进的深度学习骨干网络EfficientNetV2, 分析不同的注意力机制类型和使用节点对网络性能的影响, 构建了一种命名为EfficientNetV2-S-Triplet7 (即在EfficientNetV2-S stage7的$1\times1$卷积层后加入Triplet模块)的改进算法模型来实现星系形态学的自动分类. 使用第二期星系动物园(Galaxy Zoo 2, GZ2)中超过24万张的测光图像作为初始数据进行实验测试. 在对数据进行预处理时采取了尺寸抖动、翻转、色彩畸变等图像增强手段来解决图像数量的不平衡问题. 在同一系列经典和前沿的深度学习算法模型AlexNet、ResNet-34、MobileNetV2、RegNet进行对比实验后, 得出EfficientNetV2-S-Triplet7算法在分类准确率、查全率和F1分数等指标上具有最好的测试结果. 在9375张测试图像中的3项指标值分别可达到89.03%、90.21%、89.93%, 查准率达到89.69%, 在其他模型中排在第3位. 该结果表明将EfficientNetV2-S-Triplet7算法应用于大规模星系数据的形态学分类任务中有很好的效果.     

20个激变变星或相关天体的分光证认

在２０个研究得很少的激变变星或者曾经被分类为激变变星的相关天体的光谱中,１３个被证实为属于激变变星（６５％）,另外７个似乎应该被排除（表１第８列）,不像其他研究者那样,仅给出非激变变星或热天体,还以更强的证据和更多的光谱特征征认出１个ＤＡ型白矮星,４个双星系统及其子星的光谱型。新的光谱资料不支持ＦＹ Ｐｅｒ的Ｈｅｒｂｉｇ Ａｅ／Ｂｅ分类,它是一个激变变星。对于ＰＧ１７１２＋４９３,不仅给出星和云的     

基于深度学习的LAMOST光谱分类研究

光谱分类不仅对理解恒星物理学有着重要意义,而且在研究银河系整体结构和演化过程中起着至关重要的作用.然而在相关研究中仍存在分类精度低和光谱型未知等问题,因此提出一种新的光谱自动分类模型并将其应用在F、G和K 3种恒星光谱的分类中,方法的基本思想是训练一个深度信念网络对光谱数据进行分层特征学习,然后采用反向传播算法对整个模型进行微调.从LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope) Data Release 5 (DR5)中选取31667条包含F、G和K 3种恒星的光谱数据,并在TOPCAT软件中与GAIA (Global Astrometric Interferometer for Astrophysics)数据进行交叉,得到颜色-星等图并验证光谱数据的分布.最后对该模型进行评估,结果表明:深度信念网络在综合性能上优于其他分类算法.