基于EfficientNet的星系形态分类研究

星系的结构和形态能够反映星系自身的物理性质,其形态的分类是后续分析研究的一个重要环节.EfficientNet模型使用复合系数对深度网络模型的深度、宽度、输入图像分辨率进行更加结构化的统一缩放,是一种新的深度网络优化扩展方法.将该模型应用于星系数据形态的分类研究中,结果表明基于EfficientNetB5模型的平均准确率、精确率、召回率以及F1分数(精确率与召回率的调和平均数)都在96.6%以上,与残差网络(Residual network, ResNet)中ResNet-26模型的分类结果相比有较大的提升.实验结果证明EfficientNet的深度网络优化扩展方法可行且有效,可应用于星系的形态分类.     

基于FPN-ViT的星系形态分类研究

随着人工智能技术的发展, 利用深度学习方法进行星系形态分类研究取得了较大进展, 但在分类精度、自动化及其星系的空间特征表示上仍然存在不足之处. Vision Transformer (ViT)模型目前在星系形态分类上具有较好的鲁棒性, 但是在处理多尺度图像时存在一定的局限性, 因此提出将特征金字塔(Feature Pyramid Networks, FPN)引入ViT模型(FPN-ViT)中进行星系形态的分类研究中. 结果表明: 基于FPN-ViT模型进行星系形态分类的平均准确率、精确率、召回率以及F1分数等各项评估指标均在95%以上, 与传统的ViT模型相比各项指标均有一定程度的提升. 同时, 在原始星系图像中加入不同程度的高斯噪声和椒盐噪声, 验证FPN-ViT模型对低信噪比数据也能获得较好的分类性能. 此外, 为了对模型进行综合评估, 采用t分布随机邻接嵌入(t-distributed Stohastic Neighbor Embedding, t-SNE)算法对分类结果进行了可视化分析, 能够更加直接地看出FPN-ViT模型对于星系形态分类的效果. 因此, 将FPN网络应用于ViT模型对星系形态的分类研究中是一种全新尝试, 对后续研究具有重要意义.     

星系形态分类的研究进展

传统的哈勃星系形态分类法可以很好地对近邻的亮星系进行分类,但对低面亮度星系、矮椭球星系、矮旋涡星系以及高红移星系等都已无能为力。德沃古勒分类系统、叶凯士分类系统和范登伯分类系统是在哈勃分类法的基础上进行了发展和细化,利用光的中心聚集度或光度级等作为星系形态分类的参数。模型化分类系统试图定量地测量星系形态参数,但需要假定星系面亮度分布满足一定的形式,如r~(1/4)律、指数律等。最近几年,又有一些学者提出了非模型化分类系统,给出了若干个可以直接测量星系形态的结构参数,如:聚集度指数C、非对称指数A、簇聚指数S、基尼系数G及矩指数M_(20)。这些参数可以反映星系的形成历史、恒星形成、与其他星系的相互作用、已经发生或正在进行的并合活动等。它们不仅可以有效地给出近邻星系的分类特性,还能用于测量高红移星系的形态。该文介绍了不同的星系形态分类方法,比较了各类方法的优点和不足。在此基础上,最后介绍了基于非模型化分类系统的星系形态分类的研究进展。     

基于SE-Inception-v3的星系形态分类模型

随着天文探测技术的快速发展, 海量的星系图像数据不断产生, 能够及时高效地对星系图像进行形态分类对研究星系的形成与演化至关重要. 针对传统的星系形态分类模型特征选择困难、分类速度慢、准确率受限等难题, 提出一种以Inception-v3神经网络为主干结构, 融合压缩激励(Squeeze and Excitation Network, SE)通道注意力机制的星系形态分类模型. 该模型在斯隆数字巡天(Sloan Digital Sky Survey, SDSS)样本的测试集准确率高达99.37%. 旋涡星系、圆形星系、中间星系、雪茄状星系与侧向星系的F1值分别为99.33%、99.58%、99.33%、99.41%与99.16%. 该模型与Inception-v3、MobileNet (Mobile Neural Network)和ResNet (Residual Neural Network)网络模型相比, SE-Inception-v3宽度和深度优势表现出更强的特征提取能力, 可以高效识别不同形态的星系, 为未来大型巡天计划的大规模星系形态分类问题提供了一种新方法.     

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。     

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.     

星系分类漫谈

星系天文学主要研究星系的形成与演化、内部的结构与运动以及外部的环境影响等内容。最近的二十多年,随着空间及地面上越来越多的大镜面望远镜投入使用,使得我们对河外星豕的认识有了飞速的发展。和任何学科一样,只有做到很好的分门别类才能进一步研究客体的物理性质。因此,星系多濮也就是整个星系天文学的基础。虽然不同的天文学家创立的形态分类系统有很多,但是现在最常用的依然是哈勃创立的分类系统。下面,我们将会对其做一个粗略的介绍。     

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.     

COSMOS场中高红移大质量星系的形态分类研究

基于COSMOS(Cosmic Evolution Survey)天区的多波段测光数据和HST(Hubble Space Telescope)近红外高分辨率观测图像,利用质量限(恒星质量M*≥1010.5M⊙)选取了362个红移分布在1≤z≤3的星系样本,并对这些大质量星系的形态特征进行了分类研究.来自UVJ(U-V和V-J)双色图分类系统、目视分类系统、非模型化分类系统(基尼系数G和矩指数M20)和模型化分类系统(S′ersic index,n)的分类结果彼此相一致.相比较于恒星形成星系(SFGs),通过UVJ双色图定义的宁静星系(QGs)表现出致密的椭圆结构,而且G和n值偏大,但M20和星系有效半径(re)偏小.不同星系分类系统(双色图分类系统、非模型化分类系统和模型化分类系统)定义的SFGs和QGs样本,都明显存在星系的大小随红移的演化关系,这种演化趋势QGs比SFGs更剧烈,而且不依赖于星系分类方法的选择.     

基于XGBoost算法的恒星/星系分类研究

机器学习在当今的诸多领域已经取得了巨大的成功.尤其是提升算法.提升算法适应各种场景的能力较强、准确率较高,已经在多个领域发挥巨大的作用.但是提升算法在天文学中的应用却极为少见.为解决斯隆数字巡天(Sloan Digital Sky Survey,SDSS)数据中恒星/星系暗源集分类正确率低的问题,引入了机器学习中较新的研究成果–XGBoost (eXtreme Gradient Boosting).从SDSS-DR7 (SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源集和暗源集.首先,分别对亮源集和暗源集使用十折交叉验证法,同时运用XGBoost算法建立恒星/星系分类模型;然后,运用栅格搜索等方法调优XGBoost参数;最后,基于星系的分类正确率等指标,与功能树(Function Tree, FT)、Adaboost (Adaptive boosting)、随机森林(Random Forest, RF)、梯度提升决策树(Gradient Boosting Decision Tree, GBDT)、堆叠降噪自编码(Stacked Denoising AutoEncoders, SDAE)、深度置信网络(Deep Belief Network, DBN)等模型进行对比并分析结果.实验结果表明:XGBoost在暗源分类中要比功能树算法的星系分类正确率提高了将近10%,在暗源集的最暗星等中比功能树提高了将近5%.同其他传统的机器学习算法和深度神经网络相比, XGBoost也有不同程度的提升.     

基于Stacking集成学习的恒星/星系分类研究

机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey,SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7(SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、XGBoost(eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree,GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree,FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders,SDAE)、深度置信网络(Deep Belief Network,DBN)、深度感知决策树(Deep Perception Decision Tree,DPDT)等模型进行分类结果对比分析.实验结果表明,Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比,Stacking集成学习模型也有较大的提升.     

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.     

三轴椭圆星系形态与初始弥散速度分布

本文对具有初始几何形状及维里系数相同,但初始速度弥散度分布不同的三轴椭球进行了数值模拟。四个模型的最后质点分布及等密度轮廓的图象表明,三轴椭球的塌缩是与初始弥散速度的分布密切相关的。而不同的初始弥散速度分布可能与原星系在薄饼中不同的碎裂时刻有关。     

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.     

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Chandra的活动星系核观测

活动星系核（AGN）是宇宙中最奇特的天体之一。它是真正意义上的全波天体，其中X射线波段的发射功率占到全波段功率的50％左右。AGN的X射线辐射研究涉及天体物理中的最基本问题，例如能量产生、辐射机制和宇宙论等，而Chandra X射线卫星的高分辨率图像和光谱对这一研究有着重要作用。以Chandra卫星的部分观测结果为例，简要介绍了几类不同类型AGN的X射线辐射研究进展：（1）宽吸收线类星体APM08279＋5255（z=3．91）的X射线谱分析，以及高红移类星体的观测概况；（2）Seyfert星系NGC 4151延展X射线发射问题的解决，及NGC 1068X射线辐射与光学波段的高激发态发射线（[OⅢ]λ5007）有很强相关性的发现；（3）6个BLLac天体样本的X射线环境分析；（4）射电星系X射线喷流的观测等。     

起因于星系并合的双星系的自旋相关性

Ｈｅｌｏｕ将双星系中的自旋方向的统计研究方法用到星系形成过程中,发现旋涡星系的自旋是反相关的,由此联想到在由星系并合过程中自旋对轨道倾角的依赖性。将Ａａｒｓｅｔｈ的标准Ｎ体模拟程序加上动力摩擦,形成一个研究星系并合的Ｎ体模拟程序,用来研究小星系群中星系的自旋和轨道倾角的依赖性．结果表明,在小星系群中,的确存在着类似在涡星系中的自旋和轨道倾角的反相关性．     

丢失的星系

在1933年之前,科学家们也许已经意识到深空中璀璨的群星并不是宇宙的全部,但他们显然并没有料到发光物质的质量在宇宙中是那么微不足道。