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

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1×1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.

一种低表面亮度星系的自动搜索算法——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α.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.

以问题为导向的复变函数课程信息化、多样化、模块化教学重构

本文以复变函数课程教学为例,提出以问题为导向的线上线下相结合的课程教学方案设计。该方案以环环相扣的问题为中心,通过信息化、多样化、模块化重构教学方式、教学内容、教学环节,引导启发学生自主探索学习。实践检验发现,该方案可以有效的解决目前复变函数教学普遍存在的课时少、学生多、专业方向各异、学时不同、师资不足等问题。

“新工科”下“智能优化算法”课程的教学方式探索与实践

文章围绕教学内容、教学方法与方式、教学实验等,根据课程特点对“智能优化算法”课程进行了改革,其中将启发式教学、案例教学和翻转课堂等方法综合应用于课程教学实践,利用线上教学平台、多媒体教学等手段激发了学生的学习兴趣,并提高了其学习能力,取得了较好的教学效果。

基于Transformer特征提取的A型恒星光谱子型分类算法

恒星光谱分类是恒星光谱分析的重要工作之一。我国大型巡天项目LAMOST能够获得海量的恒星光谱数据,为了对海量恒星光谱数据进行高效分类,特别是对恒星光谱子型数据进行分类,需要研究快速有效的恒星光谱自动分类算法。提出一种基于Transformer特征提取的混合深度学习算法Bert+svm(简记为Besvm)实现A型恒星光谱子型的自动分类。该算法将A型恒星光谱26个线指数作为输入特征,应用Bert模型对26个线指数进行更深层次的学习,通过学习26个线指数的内在关联,进而提取到更有利于A型恒星光谱子型分类的特征。提取好的新特征被输入到分类器算法支持向量机(简记为SVM)中,进而对A型恒星光谱的三个子型A1、 A2和A3进行自动分类。此前,SVM算法在恒星光谱分类任务中已经有过应用,一些衍生的SVM算法在恒星光谱分类任务中也有较高的分类正确率。相比从前应用到恒星光谱分类任务的SVM算法,我们的混合深度学习算法受数据的信噪比影响较小,使用低信噪比数据也能有较高的分类正确率,并且所用数据量较少。通过五组实验验证了该算法的有效性和优越性:实验1用来对比选择优秀的核函数,通过光谱数据的匹配实验,最终选择了径向基核函数RBF;实验2对比了Besvm算法和其他四种传统优秀算法的性能指标,验证了Besvm算法的优越性;实验3用来检验Besvm算法的稳定性;实验4分析了数据量对Besvm算法的影响;实验5分析了不同信噪比数据对Besvm算法分类正确率的影响。综合实验结果分析表明,提出的混合深度学习算法Besvm在规模较小且信噪比低的数据集上仍能保持较高的分类正确率。Besvm总体分类错误率在0.01以下,远低于经典传统机器学习算法LDA算法,BP神经网络算法,SVM算法和Xgboost算法的分类错误率0.7, 0.66, 0.65, 0.36.需要说明的是BP神经网络算法的分类正确率过于受限于隐层神经元的个数。

一种基于CNN和RF的恒星大气参数测量方法

随着郭守敬望远镜(large sky area multi-object fiber spectroscopy telescope,LAMOST)项目的相继实施,基于光谱的恒星大气参数自动测量方法的研究成为天文光谱分析的重要课题之一。使用“伪二维光谱”进行恒星大气参数自动测量,提出了卷积神经网络(convolutional neural network,CNN)和随机森林(random forest,RF)结合的方法,利用卷积神经网络的特征提取能力和随机森林的回归拟合能力实现对恒星大气参数的高精度预测。通过对比实验得出,有效温度、表面重力、金属丰度三大参数的平均绝对误差分别达到123.65 K、0.2055 dex、0.1486 dex,与传统方法相比精度提升5.24%、15.50%、15.52%。实验结果验证了该算法的有效性,也证明了利用基于一维光谱设计构造的伪二维谱可以保留更多相关的特征信息,进而提升了恒星大气参数测量结果的精度。

Xception-AS:一种基于Xception算法结构的天体目标自动分类算法

提出了一种基于Xception结构的天体目标自动分类算法,该算法可以有效应用于星系、恒星和类星体的自动分类。算法以Xception为基础框架,通过选择最优激活函数,加入注意力机制等方式进行改进。随机选择SDSS-DR16测光图像数据中的11543个星系、10490个类星体和11967个恒星共34000个观测源g,r和i共3个波段的图像作为实验数据,并设计多组实验进行算法验证和测试,综合分析所有实验结果得出本文算法在准确率、精确率、召回率和F 1分数等关键指标分别达到了90.26%,90.01%,89.86%和89.85%。相同数据集与其他13种经典和流行的卷积神经网络(Convolutional Neural Network,CNN)算法的实验结果对比表明,本文提出的Xception-AS算法具有更加优异的分类性能,证明本文算法解决天体目标自动分类问题的优越性。

海量星系光谱中的超新星候选范围自动约减

超新星是恒星世界中已知道的最剧烈的天文现象之一,但目前发现的超新星数量相比于已探测到的数百亿天体而言又是有限的,所以有必要寻找快速高效的超新星搜寻方法或辅助手段。拟在Ⅰa型超新星统计特征描述的基础上提出了一种海量星系光谱下Ⅰa型超新星候选体选择范围自动约减的方法。该方法首先对Ⅰa型超新星模板PCA分析获得特征谱,并获得每条待检星系光谱的低维超新星特征描述,然后通过引入样本的局部孤立性因子进行离群搜索,最后获得总样本数的1%作为继续搜寻证认超新星候选体选择的初始范围。实验表明该方法有效可行,这一方法在海量光谱中自动去除大量不含超新星的星系光谱,为超新星的进一步搜寻证认和后续观测提供了较可靠的候选范围,从而成为直接利用光谱巡天的海量数据获得超新星的高效途径。

基于局部均值的K-近质心近邻光谱分类

天体光谱包含着许多重要的关于天体的物理和化学信息,如天体表面的有效温度、重力加速度以及化学丰度等,天体光谱的处理和分析对天文研究具有重要的科学意义。一些大型巡天计划的实施(如SDSS,LAMOST等)使我们获得了海量的天文光谱数据,因此天文光谱数据的自动分类成为重要的科学研究课题,然而面对如此海量的光谱数据,一些传统的光谱自动分类方法已经不适用,迫切需要寻找高效率的光谱自动分类技术。研究了基于局部均值的K-近质心近邻(local mean-based K-nearest centroid neighbor,LMKNCN)算法在恒星(Star)、星系(Galaxy)和类星体(Quasar,QSO)的光谱分类中的应用。LMKNCN算法的基本思想是根据近质心近邻原则,从每一类训练样本集中为待测样本点选取k个近质心近邻点,然后根据每一类中所选取的k个近质心近邻点的均值点到待测样本点x的距离来判别x的所属类别。针对美国SDSS-DR8的天体光谱数据,对比了K-近邻、K-近质心近邻、LMKNCN三种算法在恒星、星系和类星体的光谱分类中所表现的性能,结果表明三种方法中,LMKNCN算法对这三种光谱的识别率高于其他两种算法或者与其相当,而且其平均分类正确率高于另外两种算法,特别是在类星体的识别率上表现的更好。表明了该算法对天文光谱大数据的快速处理和有效利用具有重要的意义。

一种新的活动星系光谱红移自动测量方法

星系红移的自动测量对进行大样本天文学研究如宇宙学大尺度结构研究具有重要意义。星系一般分为正常星系和活动星系两种,活动星系光谱一般具有较明显的发射线特征。文章提出了一种不用精确提取谱线而快速测量活动星系光谱红移的方法。该方法包括步骤:(1)对待测光谱进行去噪;(2)利用小波变换提取低频成分光谱,并用去噪后光谱减去低频谱得到残差谱;(3)计算残差谱的均方差,并保留大于阈值的波长集合(4)根据标准谱线表计算所有候选红移;(5)利用Parzen窗估计方法计算红移密度最大点,并在邻域内求均值确定最终红移。对模拟数据和SDSS DR7部分实测数据的测试表明,该方法是鲁棒的并且具有较高的红移测量正确率。

试论地方高校创新型“新工科”人才培养的重要性——基于学科交叉与跨界融合的视角

在"大众创新、万众创业"的背景下,新经济时代的工程科技人员,需要具备更高的创新创业能力和跨界整合能力。学科交叉、跨界融合、创新推动能够推动核心知识的重构,有利于建立更加多样化和个性化的工程教育培养模式。本文基于学科交叉与跨界融合的视角,对地方应用型高校培养创新型"新工科"人才的重要性进行了相关分析。

SKLOF：一种新的超新星候选范围约减算法

超新星是宇宙学中的"标准烛光",其在星系中爆发的概率很低,是一种特殊、稀少的天体,只有在大量观测的星系数据中才有机会遇到,而正处于爆发期的超新星会照亮其整个星系从而在观测获得的星系光谱中具有较明显的特征。但是,目前已发现的超新星数量相对于大量的天体而言又是非常稀少的,搜寻它们所用的计算时间成为能否进行后续观测的关键,因此需要寻找高效率的超新星搜寻方法。对超新星候选范围进行约减的LOF算法的时间复杂度较高,计算量大,不适用于大规模数据集。为此通过对LOF算法进行改进,提出了一种在海量星系光谱中快速约减超新星候范围的新方法(SKLOF)。首先对光谱数据集中离中心点近的数据点进行数据剪枝,剪掉那些肯定不是超新星候选体的光谱数据对象,然后利用改进的LOF算法计算剩余的光谱数据的孤立性因子并降序排列进行离群搜索,最后获得超新星候选体的较小的搜索范围以便进行后续的证认。实验结果表明,该算法十分有效,不仅在精确度上有所提高,而且相比于LOF算法还进一步缩短了算法的运行时间,提高了算法的执行效率。

基于质量估计的恒星大气参数的自动测量

近些年海量恒星光谱数据的获取使得恒星三个基本参数(表面有效温度Teff,表面重力log g,金属丰度[Fe/H])的自动测量方法研究成为一个重要的研究课题,相应对恒星大气物理参数测量的研究将对科学家研究宇宙演化等重大科学问题具有重要的意义。但是目前国内外针对此问题所做的研究并不是很广泛深入,且已有的一些方法还不能够完全准确地估计出恒星的大气物理参数。因此本文研究了一种基于质量估计的恒星大气物理参数自动测量方法,该方法计算量比较小,其主要思想是首先建立一些质量分布,将原始光谱数据经过质量估计算法映射到新的质量空间,然后在质量空间利用支持向量机回归对恒星的三个基本物理参数进行估计。在实验中,从SDSS-DR8光谱数据库中选择部分实测光谱数据来进行训练和测试,并将该方法预测出的参数结果与SSPP给出的参数值进行了对比,取得了比较理想的结果。实验结果表明,该研究方法的准确率更高,预测结果更稳定,训练所用的时间短,在恒星大气物理参数自动测量上是行得通的,可以有效地测量恒星的大气物理参数。

基于二元PCA特征谱的星系光谱成分快速扣除

实际观测天体目标光谱如超新星和活动星系核光谱常常混有寄主星系成分,这对目标天体光谱的类别和性质证认识别会造成困难。文章提出了一种快速有效的称为二元PCA特征谱分解的星系扣除算法。该算法首先计算了星系样本模板库和超新星样本模板库各自的PCA特征光谱,然后对特征光谱组通过正交变换得到混合空间的一组标准正交基,进而利用混合光谱在该标准正交基上的分解系数计算该光谱在原特征光谱组的分解系数,获得星系超新星混合光谱的快速分解,系数计算也可通过SVD矩阵分解得到,但计算效率较低。实验表明,该方法优于常用的直接PCA投影重构分解方法,与另一种χ2模板拟合方法扣除星系成分相比,在保持分解效果基本不变的前提下,时间消耗则大大降低,从而使该方法可应用到大规模光谱数据处理中。

数学建模竞赛活动与大学生综合素质培养

大学生数学建模竞赛活动已经成为大学生们参与的一项重要的课外科技活动,参加数学建模竞赛显然能使学生体会到数学的许多实用价值,培养学生运用数学知识并借助计算机技术去解决实际问题的能力,逐步提高学生的数学素质、创新能力和综合素质。

一种基于投影法和形态学梯度的车牌定位算法

车辆牌照自动识别系统的研究与开发是现代交通控制管理系统中备受关注的问题,而车牌定位又是车牌识别的关键。在分析和研究目前有代表性的车牌定位算法的基础上,提出了一种基于投影法和形态学梯度的车牌定位算法,49个原始图像的实验结果表明,正确分割率由传统方法的91.84%提高到97.96%。

基于线指数线性回归的恒星光谱大气物理参数测量

利用Lick线指数,根据光谱的海量特点,从统计回归的角度出发,通过线性回归的方法来设计大气物理参数测量的高效算法。线性回归通过选择最佳的线指数组合及回归类型的选择来使其达到最佳的回归效果。因为得到的是公式性的回归模型,所以使得其应用于新的数据时计算速度可以很快,且清晰明了,便于分析处理,这是其他方法所达不到的。实验结果证明,通过线指数回归的方法来进行大气物理参数的测量是可行的。

基于神经网络的线指数恒星大气物理参数测量方法

通过人工神经网络的方法基于Lick线指数,来进行大气物理参数的测量,对Kurucz的合成光谱进行预处理以适应最后LAMOST光谱数据的要求,以Lick线指数与对应的大气物理参数为输入,用人工神经网络进行训练,得到训练模型通过DR8光谱数据进行测试,通过调整人工神经网络的相关参数来使实验效果达到最佳。结果证明,通过线指数人工神经网络的方法来进行大气物理参数的测量是可行的。

“互联网+”背景下高校教学资源建设与整合

讨论了"互联网+"背景下高校教学资源建设存在的问题,提出了"互联网+"背景下教学资源建设整合的若干措施,以及"互联网+"背景下教学资源建设整合的一些注意事项,对相关高校的教学资源整合建设工作有所裨益。

“互联网+”背景下创新型人才立体培养模式构建

在"互联网+"背景下,讨论了培养创新人才的重要性,提出了"互联网+"培养创新型人才的方式和途径,建立了一个基于"互联网+"的创新型人才培养立体模式。