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.     

基于深度残差网络的星系形态分类

星系形态与星系的形成和演化有着密切的联系,因此星系形态分类(galaxy morphology classification)成为研究不同星系物理特征的重要过程之一。斯隆数字巡天(Sloan Digital Sky Survey, SDSS)等大型巡天计划产生的海量星系图像数据对星系形态的准确、实时分类提出了新的挑战,而深度学习(deep learning)算法能有效应对这类海量星系图片的自动分类考验。面向星系形态分类问题提出了一种改进的深度残差网络(residual network, ResNet),即ResNet-26模型。该模型对残差单元进行改进,减少了网络深度,并增加了网络宽度,实现了对星系形态特征的自动提取、识别和分类。实验结果表明,与Dieleman和ResNet-50等其他流行的卷积神经网络(convolution neural network, CNN)模型相比,ResNet-26模型具有更优的分类性能,可应用于未来大型巡天计划的大规模星系形态分类系统。     

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.     

Cassini图像中受散射光影响的7颗土星近环内卫星的天体测量

卡西尼号探测器携带了光学成像科学子系统(ISS: Imaging Science Subsystem), 在2004--2017年间拍摄了一些土星内卫星的图像. 部分图像中土星内卫星非常靠近土星环, 观测对象受土星环散射光影响导致测量精度差, 甚至无法测量. 由此提出一种适用于这类图像的背景消除算法, 可对受土星光环散射光影响的土星内卫星进行测量. 归算了7颗近环内卫星(土卫十(Janus)、土卫十一(Epimetheus)、土卫十五(Atlas)、土卫十六(Prometheus)、土卫十七(Pandora)、土卫三十二(Methone)和土卫四十九(Anthe))的70张ISS图像, 并与不消除散射光的方法进行了比较. 结果显示, 该方法至少可以提高43%的精度. 和喷气推进实验室的土星卫星历表\lk SAT415相比, 测量得到的赤经和赤纬方向的残差均值分别为0.72km和2.26km, 标准差分别为10.99km和11.36km.     

基于大视场反卷积的天文图像叠加方法

地基望远镜在成像过程中,由于受大气湍流、望远镜静态像差、跟踪误差、指向误差及视场变化的影响,不同视场区域的PSF (Point Spread Function)具有差异;同时,不同望远镜获取的图像PSF也存在差异.将多个望远镜获取的星象直接叠加至相同的区域后,图像质量受像质最差的望远镜限制,最终观测分辨率和灵敏度均会受到影响.通过图像复原,可以提高图像质量,进而提高叠加效果.根据该思路提出了1种基于PSF分区的迭代图像复原方法:该方法首先通过SOM (Self-organizing Maps)对PSF进行聚类分析,利用同类别PSF的平均PSF进行反卷积,再将反卷积结果按PSF聚类结果分割为不同大小的子图,最后将子图进行拼接.图像复原在提高图像质量的同时,降低了PSF不一致性对图像叠加带来的影响.将几个望远镜在同一时刻获取的图像经反卷积处理之后利用图像配准算法进行矫正并叠加,可获得高信噪比图像.对实际望远镜获取的数据处理后的结果表明:图像在进行复原和叠加过程中,星象目标信噪比不断提升,提高了成像系统对暗星的探测能力.     

基于支持向量机的云图自动识别和提取方法

在时域天文研究中,中小口径光学望远镜的自动巡天是获取观测数据的重要来源.受台站观测条件影响,图像中会有云的干扰,给测光和暗弱目标的自动提取带来很大的困难.为此有必要对天文图像中的云进行识别和提取,建立云的指标图,为后续的信息提取提供参考.为了实现这一目标,建立了天文图像筛选系统,该系统将图像灰度不一致度与纹理差异作为图像的多维特征指标,并与支持向量机(Support Vector Machine,SVM)相结合,对有云的数据进行筛选.在筛选的基础上,利用直方图变换和特征提取,进一步提取了云的指标图.实验结果表明:纹理识别结合SVM对天文图像进行实时筛选,分类准确率大于98%.利用直方图变换和特征提取可以初步提取云的指标图,给测光和暗弱目标的提取提供参考.     

授时工作的进展

一、引言授时工作作为天体测量学的一个分支.几乎和天体测量学所有其它领域一样,近年来在基本方法和基本原则上没有什么重大的变革,但是在测量的精确度方面,由于较多地应用了物理学、电子学等最新技术成就,从而有了很大的提高.现代存在着三种时间系统:1.世界时系(UT)这就是传统上应用的平太阳时系统,     

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.     

基于天体测量法探测系外行星的仿真模拟与轨道求解算法

天体测量法是探测系外行星一种有效的手段,具有其他探测方法所不具备的独特优势,如可以探测到行星的3维轨道参数及确定行星的质量等,这些将为现有的行星样本提供重要补充.高精度的空间天体测量卫星Gaia(Global Astrometric Interferometer for Astrophysics)在2013年成功发射升空,可以预期未来基于其探测数据,将可能发现大量的长周期类木行星.针对αCentauri A、HD 62509和GJ 876系统,根据Gaia单次天体测量精度生成对应的仿真数据,使用Lomb-Scargle周期谱分析行星轨道周期信号,并采用Markov Chain Monte Carlo(MCMC)算法对行星系统进行轨道反演,得到的结果与行星的初始参数相吻合.     

SExtractor及其在深度巡天研究中的应用

SExtractor作为一套从巡天图像中检测天体并提取天体星等、位置等信息的开源软件,已经被广泛运用在深度巡天的目标源提取和测量中。深度巡天中目标源的检测能力(深度)和对轮廓重叠的目标源的分解能力往往比光子噪声带来的测量误差更重要。针对不同研究目的的目标天体的提取往往需要在对目标源的检测能力和分解能力之间进行平衡,在使用SExtractor提取目标源时其参数设定也存在较大差异。介绍了SExtractor在深度巡天中参数的设定,结合分析讨论了SExtractor获取天体目标和测量的精度,同时也发现在深度巡天中使用SExtractor提取目标源存在十分严重的过度分化问题。     

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DenseNet的天体光谱分类方法

天体光谱数据的智能处理正由传统机器学习方法逐步转向深度学习,主要采用基于计算机视觉的技术手段。基于计算机视觉领域广泛应用的DenseNet网络结构,针对光谱数据进行修改,建立了适用于光谱数据的一维卷积神经网络模型,解决天体光谱数据分类任务。在验证数据集上,恒星、星系、类星体的F1分数达到了0.998 7、0.912 7、0.914 7,高于传统的神经网络。光谱分类关注区域的可视化结果表明,本文模型可以学习到各类天体对应的特征谱线,具有较强的可解释性。本文方法被用于阿里云天池天文数据挖掘大赛——天体光谱智能分类,并在843支参赛队伍的3次数据评比中获得了2次第一、1次第三的成绩,证明了该模型在保证分类精度的同时,具有极强的鲁棒性、泛化性,适用于光谱的自动分类。     

CCD图像数字定心算法的比较

从CCD采集的数字图像中提取天体的位置和光度信息对于天文研究具有基础意义.其中,恒星星像中心像素位置的精确测量对于天体测量至关重要.针对国际上常用的三种位置测量算法:修正矩方法、Gauss拟合法和中值法,利用实测的CCD图像进行了试验研究.具体地,采用云南天文台1m望远镜观测的CCD图像同时使用这些算法进行了实际测量,根据每幅图像中测得的像素位置,对这三类定心算法进行了比较和精度分析.可视化方法被用于不同阈值的选取和设定比较.实验数据表明,无阈值的二维Gauss拟合方法是一种精度相对较高的定心算法.     

基于LeNet-5卷积神经网络的太阳黑子检测方法

太阳黑子与耀斑的爆发存在紧密联系,因此及时准确地检测全日面图像中的太阳黑子可以为耀斑的预报提供依据。基于深度学习框架的LeNet-5卷积神经网络实现了一种太阳黑子自动检测方法,主要步骤包括:制作太阳黑子样本库、训练全卷积神经网络模型Sunspotsnet、检测和标记全日面像中的太阳黑子。实验结果表明,该方法可以识别SDO/HMI的全日面连续谱图像上各种类型的黑子,尤其是较弱的磁孔(0.88倍平均光球强度),采用基于深度学习的方法检测太阳黑子是可行的,训练的Sunspotsnet网络模型可以快速有效地应用在太阳黑子的检测上。     

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.     

相对论自旋动力学系统的数值研究

<正>自旋致密双星是宇宙中的重要研究对象.其中,由恒星级致密天体绕转超大质量黑洞构成的极端质量比旋进系统(EMRIs)是美国宇航局LISA引力波探测计划的首选目标源之一,对其研究和观测不仅可以直接检验广义相对论的引力波预言,测量中央黑洞的质量和自旋,还可以揭示黑洞视界附近的基本物理性质,具有重要的物理和天体物理意义.     

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.     

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.