贫金属富碳天琴RR变星的形成

贫金属富碳恒星(Carbon-Enhanced Metal-Poor, CEMP)是研究宇宙早期恒星性质和化学演化的极佳样本,通常认为来自双星.目前发现的贫金属富碳星中有9颗天琴RR变星(RR Lyrae star, RRL),其中至少7颗未表现出任何双星特征.传统双星物质转移模型不足以充分解释贫金属富碳天琴RR变星(CEMP-RR Lyrae)单星的形成.之前研究表明氦白矮星和赫氏空隙星(HG)的并合模型可以解释部分富碳红巨星单星的碳增丰现象,因此贫金属富碳星单星也可能来自氦白矮星和赫氏空隙星的并合模型渠道.通过详细计算的氦白矮星和赫氏空隙星并合模型来检验这一演化渠道,结果表明:该并合模型在后续的演化过程中,其重力加速度、温度、表面碳丰度均能与观测符合较好.由此,氦白矮星和赫氏空隙星并合模型极有可能是贫金属富碳天琴RR变星的形成渠道之一.     

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.     

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.     

天语计划——寻找第二个太阳系及探索动态宇宙

像木星和土星这样的冷巨行星对类地行星的形成和宜居性起到了关键作用, 因此, 对像太阳系这样具有多个冷巨行星的系统的搜寻具有重要意义. Kepler以及TESS (Transiting Exoplanet Survey Satellite)太空望远镜成功地通过凌星的方法发现了大量短周期行星, 然而这些巡天项目的观测基线不足以发现更长周期的行星. 为此, 天语计划将部署两台1m望远镜(天语一号和天语二号),用于结合天语和其他计划的数据通过凌星法来发现冷巨行星及其他行星, 并最终发现类太阳系. 天语一号具有约10平方度的视场以及高速CMOS (complementary metal-oxide-semiconductor)科学相机, 将对超过1000万颗恒星每小时进行一次高精度测光采样, 并通过天语二号的多波段测光、光谱仪以及高分辨率成像对天语一号发现的候选行星进行确认. 天语望远镜将放置于海拔约4000m的中国青海冷湖, 是目前中国境内最好观测台址之一. 天语对亮于14等星的测光精度为0.1%, 对亮于18等星的测光精度优于1%, 天语预计在5yr内将在类太阳周期发现超过300颗凌星行星,其中包括约17颗冷巨行星. 基于系统轨道共面以及孪生地球发生率为10%的假设, 天语预计将发现1--2个类太阳系, 并可被未来的地球2.0计划所证实. 此外,天语还将通过多种巡天观测模式测量从亚秒到周时标的光变, 探测不同时标的时域现象, 包括超新星早期光变、稀有变星和双星、潮汐瓦解事件、Be星、彗星活动以及系外小行星等.这些发现不仅将深化我们对宇宙的理解, 还将为公众科学和科普提供重要平台.     

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.     

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.     

基于小波模极大值相关信息的脉冲星标准脉冲轮廓累积方法

讨论了产生脉冲星标准脉冲轮廓的重要性.在分析经典脉冲轮廓生成方法的基础上,提出了基于小波模极大值相关处理的脉冲轮廓累加方法.首先将观测数据按周期分组,分别进行小波分解,生成粗尺度上以脉峰为特征点的小波系数;然后,选择某组高信噪比信号的系数为参考数据,分别与其它各组变换系数进行相关,确定脉峰的相对时延.最后,对分组的原始观测数据按此相对时延量进行累加,生成脉冲轮廓.观测信号可先通过背景噪声估计和平滑处理而得到信噪比较高的归一化标准轮廓.实例分析以及与模板相关法的比较结果表明:该方法简单而有效,不需要设计近似模板,且对噪声类型不敏感,具有较高的工程应用价值.     

图像移位堆叠方法用于暗天然卫星的天体测量

暗弱天然卫星与主带小行星相比,具有亮度低、速度变化快的特点.在观测这类天体时,不能简单地延长曝光时间来提高其信噪比.尝试观测多幅短曝光的CCD (chargecoupled device)图像,采用移位堆叠(shift-and-add)方法,希望提高目标成像的信噪比,获得暗弱天然卫星的精确测量结果.使用2018年4月9—12日夜间,中国科学院云南天文台1 m望远镜(1 m望远镜)拍摄的木星5颗暗卫星的229幅CCD图像,实施了移位堆叠试验.为了验证结果的正确性,与相近日期中国科学院云南天文台2.4 m望远镜(2.4 m望远镜)观测的相同木卫图像的测量结果进行了比较和分析.位置归算采用了JPL (Jet Propulsion Laboratory)历表.结果表明,对CCD图像使用移位堆叠方法,通过叠加约10幅曝光时间100 s的图像, 1 m望远镜能观测暗至19等星的不规则天然卫星,而且测量的准确度与2.4 m望远镜的测量结果有良好的一致性.     

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.     

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.     

Detection of Faint Asteroids Based on Image Shifting and Stacking Method

In order to improve the ability to find the faint and small celestial bodies in the solar system, a method of shifting and stacking images which improves the detection efficiency of faint moving objects is applied to process the sequential optical images. This method determines the existence of moving objects by using the method of false position to pre-estimate the apparent velocities of moving objects, then determines iteratively the accurate positions of moving objects based on the SNR (Signal-to-Noise Ratio) and elongation of stellar image. Using the sequential images of the China Near Earth Object Survey Telescope (CNEOST), we carry out an experiment and succeed in detecting asteroids fainter than 21 magnitude which are invisible on a single image. Thus, the feasibility of this method is verified.     

Variable stars in the Bochum Galactic Disk Survey

We present a first overview of variable stars in the Bochum Galactic Disk Survey (GDS) with emphasis on eclipsing binaries (EBs). This ongoing survey is performed by a robotic twin refractor at the Universitätssternwarte Bochum located near Cerro Armazones in Chile. It comprises a mosaic of 268 fields in a stripe of Δb = ±3° along the Galactic plane observed once per month simultaneously in the Sloan r and i filters with a detection limit of r_s ∼ 16 mag and i_s ∼ 15 mag. The data from the first three years until the end of February 2014 yields a total of 41718 variable stars with variability amplitudes between 0.1–6 mag. A cross‐match with SIMBAD identified 11 465 of these variables unambiguously, while 2184 had multiple matches; most of the remaining stars could be matched with 2MASS objects. Among the SIMBAD‐listed objects with single matches, only 1982 turned out as known variables while a further 256 are suspected of variability. That leaves a total of 39480 potentially new variables. The group of known variables comprises 419 stars (21 %) that are classified as EBs while 443 (22%) are of other types; for the remaining 1120 catalogued variables (57 %) the type is unknown. Investigating variability as a function of spectral type, we find that SIMBAD provides spectral types for 2811 (25 %) of the identified stars. Spectral classes B (26 %), A (20 %), and M (25%) contain the most numerous variables, while all other classes contribute less than 10% each. More than half of the B (55 %) and A (56%) stars are designated as EBs, suggesting that hundreds of new B‐ and A‐type EBs may be contained in the GDS archive. In contrast, among the numerous M stars no EBs are known. (© 2015 WILEY‐VCH Verlag GmbH & Co. KGaA, Weinheim)     

Automatic morphological classification of galaxy images

We describe an image analysis supervised learning algorithm that can automatically classify galaxy images. The algorithm is first trained using manually classified images of elliptical, spiral and edge-on galaxies. A large set of image features is extracted from each image, and the most informative features are selected using Fisher scores. Test images can then be classified using a simple Weighted Nearest Neighbour rule such that the Fisher scores are used as the feature weights. Experimental results show that galaxy images from Galaxy Zoo can be classified automatically to spiral, elliptical and edge-on galaxies with an accuracy of ∼90 per cent compared to classifications carried out by the author. Full compilable source code of the algorithm is available for free download, and its general-purpose nature makes it suitable for other uses that involve automatic image analysis of celestial objects.