LAMOST的“Unknown”光谱分类研究:ODS-YOLOv7模型

天体识别是天文新发现和深入研究天体的基础。在LAMOST DR8 v1.0发布的低分辨率光谱数据中有约53万条因没有类别标签而被命名为“Unknown”的光谱,其中有88.56%的光谱信噪比在0~10之间,对这批光谱的研究分析将增加LAMOST的有效数据产出。该研究为“Unknown”光谱的分类设计了一种ODS-YOLOv7模型。它是一种端到端的类别预测模型,通过添加一维卷积注意力模块以提高光谱识别能力。在经过一批信噪比在0~10之间的已知类别光谱训练后,ODS-YOLOv7可以学习到低信噪比光谱的有效特征,进而实现对“Unknown”光谱的类别预测。实验表明,该模型在已知类别标记的低信噪比恒星、星系、类星体的光谱识别中,F1-score分别为0.98、0.95、0.95;同时在与传统算法KNN、RF、DT、SVM和深度学习算法1D CNN、1DSSCNN、ResNet、DenseNet、VIT对比实验中取得相对最好的效果。实验结果还给出了ODS-YOLOv7模型对DR8 v1.0中信噪比在0~10的“Unknown”光谱预测置信度分布,在预测类别为恒星、星系、类星体任务中,有92%的分类置信度在60%以上。为保证模型输出质量,本文只选取分类置信度大于99%的光谱类别作为输出结果。以此为依据,在DR8 v1.0和DR9 v0发布的全部“Unknown”光谱中分别有37.19%和47.03%被ODS-YOLOv7模型预测出类别。此外,还增加人工认证以检验该模型预测的正确性。为提升模型的可解释性,参照了二维图像特征可视化的Grad-CAM方法,将其改进为适合于可视化一维光谱数据特征的算法。其结果表明该模型可自动关注到不同的分类特征,使得该模型非常适用于低信噪比“Unknown”光谱的类别预测。

基于CNN与LSTM复合深度模型的恒星光谱分类算法

恒星光谱分类是天文学领域中非常重要的研究方向。随着科技的迅猛发展,大型巡天望远镜采集的恒星光谱数据已经达到了TB或甚至PB级别,传统的分类方法已经无法满足如此庞大数据量的处理需求。正确分类光谱对于研究恒星的物理性质以及演化过程具有重要意义。CNN通过卷积运算学习数据的局部特征,去除冗余信息,并通过最大池化运算对特征进行压缩。然而,由于原始CNN模型的全连接层缺乏长距离依赖挖掘的功能,如果加入LSTM网络,通过其独特的三个“门”的远距离依赖挖掘能力可提取的重要特征,并检测特征中的微小差异,恰好可以解决这个问题。因此,提出了一种基于CNN和LSTM复合的深度模型,用于对LAMOST DR8中的恒星光谱进行分类。这种模型能够更好地学习恒星光谱的特征,为恒星演化研究提供了重要的帮助。为了提高模型的收敛速度,使用了常见的Z-Score标准化方法对数据进行处理。提出的模型在F、G、K三分类实验中取得了94.56%的分类准确率。同时,与前人使用过的RBM、PILDNN、PILDNN、DBN、Inception v3、1D-SSCNN、LSTM方法进行对比,结果表明该方法具有更高的分类准确率。在十分类实验中,该方法取得了97.35%的准确率,并且相比于仅使用LSTM、1D-SSCNN方法的实验结果,该方法的结果更好,且训练时间减少了近十倍。使用F1-score对每类恒星光谱分类准确度进行说明,在三分类和十分类实验中,每类的F1值都在0.9以上。与前人在文献中的实验结果进行对比,该模型的结果更好。通过混淆矩阵的结果,可以得出该模型在光谱种类越多的实验中准确率越高,甚至可以达到100%。综上所述,所提出的基于CNN和LSTM相结合的模型可以有效地对大规模恒星光谱数据进行分类,并取得了优异的分类效果。

TDSC-Net:一种基于注意力机制与特征融合的二维恒星光谱分类模型

面对信噪比较低的天体,传统一维光谱的分类效果很差。因此,从二维光谱出发,提出了结合注意力机制的特征融合模型TDSC-Net(two-dimensional spectra classification network)用于恒星分类。TDSC-Net通过完全相同的特征提取层分别对恒星蓝端和红端的二维光谱图像进行特征提取,之后针对这些特征进行融合,然后进行分类。本文实验中的恒星光谱数据选自LAMOST(the large sky area multi-object fiber spectroscopic telescope)数据库,预处理采用Z-score进行光谱归一化,以减少由于光谱流量值差别大造成的模型收敛困难问题。使用精确率(Precision)、召回率(Recall)、F1-score和准确率(Accuracy)四个指标来评估模型性能。实验包括:第一部分利用TDSC-Net进行A、F、G、K、M型恒星分类,以验证利用二维光谱对恒星多分类的可靠性;第二部分将二维光谱按照不同的信噪比区间进行分类,以探究信噪比对分类准确率的影响。第一部分的结果表明,进行五分类总的准确率达到84.3%。其中,A、F、G、K、M各自的分类精度分别为87.0%,84.6%,81.2%,87.4%,89.7%,均优于自行抽谱后的一维光谱分类结果。第二部分的结果表明,即使在SNR<30的低信噪比区间,二维光谱分类准确率仍然可以达到78.9%;而当SNR>30之后,信噪比对光谱分类的影响就不明显了。由此证明了低信噪比时使用二维光谱分类的重要性以及TDSC-Net对恒星光谱分类的有效性。

基于多尺度特征融合的恒星光谱分类方法

近年来,随着各大光谱巡天项目的陆续实施,观测得到的天体光谱数据急剧增长。大型光谱巡天项目对光谱的自动分类和分析提出了更高的要求。采用多尺度特征融合模块来获取光谱在不同尺度上的光谱特征,结合CNN网络在分类任务上的优势,提出了一种基于多尺度特征融合的恒星光谱分类模型(MSFnet),对恒星光谱进行光谱型预测。主要包含多尺度特征融合模块和一个含4个卷积层,2个最大池化层,1个全连接层的卷积神经网络。为了防止出现过拟合的问题,添加了dropout,添加dropout后可以使得模型不依赖某些局部特征,防止过拟合,优化网络的鲁棒性。实验中的数据集均来自LAMOST DR9数据库,在输入到模型进行训练之前,需要对光谱数据进行预处理:重新对光谱进行均匀采样,之后进行最大最小值归一化。该实验的编程语言为python 3.9,引入了Pytorch深度学习框架来构建网络。实验部分为两部分:第一部分是研究卷积神经网络的层数、特征图个数与准确率的关系;第二部分将本文提出的MSFnet模型和Resnet18模型的结果对比实验,从精准率P、召回率R、调和平均值F1、准确率A、运行时间等指标来对两个模型进行对比评估。两个模型所采用的训练集、验证集和测试集均按6∶2∶2的比例进行分配,保证了两个模型的训练样本一致。结果表明,采用4个卷积层、特征图数量为16的卷积神经网络的准确率最高。基于此结论,本文提出了特征融合模块与卷积神经网络的组合MSFnet模型,相对于18层的残差神经网络模型,该模型的结构更简单,在上述指标的表现上也与Resnet18模型相当,并且在A、F、K型光谱的分类效果更好,速度更快。MSFnet模型在测试集上的准确率接近97%,比传统的CNN和Resnet18模型的准确率更高,表明了MSFnet模型有助于提升光谱自动分类的准确性。

SATS:一种基于多重特征提取的恒星光谱分类算法

对恒星光谱进行深入研究,可以了解恒星的化学组成和物理特性。恒星光谱分类是恒星光谱研究领域的一个重要方向,随着海量恒星光谱数据的出现,人工分类手段就无法满足科研的需要。基于此,搭建了SATS(SVD Analysis Transformer SoftMax)算法,该算法实现了对F、G、K型恒星光谱的自动分类。SATS算法,首先以奇异值分解(SVD)的方式,对归一化后的恒星光谱做去噪处理;然后对恒星光谱进行特征提取,特征提取层共有六个模块:增量主成分分析(Incremental PCA)、核主成分分析(Kernel PCA)、稀疏主成分分析(Sparse PCA)、因子分析(Factor Analysis)、独立成分分析(Fast ICA)和Transformer(前五个模块统称为Analysis模块),为保证方差贡献率在0.95以上,IPCA、KPCA、Sparse PCA、Factor Analysis和Fast ICA将恒星光谱特征提取为300维;最后,将恒星光谱输入到SoftMax层进行自动分类。SATS算法将多个Analysis模块结合使用,进一步提高了使用单一Analysis模块的分类正确率。Transformer模块和多个Analysis模块的结合使用,再一次提高了分类正确率。SATS算法最大的优势在于对恒星光谱进行了多重特征提取,以不同的特征提取方式,最大程度地保留了原始恒星光谱信息,将信息损失做到最低。SATS算法的最终分类正确率为0.93,这一分类正确率也高于混合深度学习算法CNN(convolutional neural network)+Bayes、CNN+KNN、CNN+SVM、CNN+Adaboost和CNN+Adaboost0.86、0.88、0.89、0.87、0.89的分类正确率。

中微子事件IC220624A候选射电对应体J1458+4121的VLBI观测研究

收集并分析了中微子发射事件IC-220624A的候选体J1458+4121仅有的几次甚大天线阵(VLA)的历史数据;在此基础上,利用甚长基线阵列(VLBA)对其进行首次VLBI观测,观测波段为L和C波段。通过数据处理和分析研究,得到J1458+4121 VLBA的射电辐射形态。此外,利用相位参考技术,还获得J1458+4121更精确的坐标(α=14:58:20.772, δ=41:21:01.911)。VLA观测的射电总流量强度在1.4~8.4 GHz范围内呈下降趋势,说明J1458+4121的射电能谱可能是幂律谱;而VLBA观测的射电总流量强度在1.5~5 GHz范围内呈上升趋势,意味着其射电能谱在GHz波段是反转谱。因此,J1458+4121极有可能是一个年轻射电源,其中微子产生可能是由于新喷流成分的出现。该结果有助于J1458+4121的后续研究,并将中微子起源的关注对象从明亮的耀变体扩展至其他类型的活动星系核。

基于SSTransformer的恒星亚型光谱分类方法研究

恒星的分类问题一直是天文研究的一大热点,恒星的亚型分类对探究恒星演化、稀有天体识别等具有重大意义。针对LAMOST光谱亚型分类问题设计了SSTransformer(stellar spectrum transformer)分类模型,该模型主要由三部分组成,包括输入模块、嵌入模块、SST编码模块。在输入模块中,将光谱数据进行分块处理,这些块经过线性投射层被映射为向量。在嵌入模块中,为了提取有用的数据特征,将线性投射层的输出加入一个可学习的类别嵌入块,为了保留位置信息,再加入位置嵌入块,之后将这些数据特征向量送入SST编码模块。最后在SST编码模块中,对数据特征进行提取处理,并利用多层感知器结合新特征对恒星光谱进行分类。采用的A、F、G、K、M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱,35256条一维光谱数据用于SSTransformer模型的训练,8815条一维光谱数据用作模型的测试。为了加快模型的收敛速度,对数据采用Z-Score归一化处理。由于是多分类问题,实验采用了准确率、精确率、召回率、F1-Score、Kappa系数五个评价指标。实验结果证明,利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类,分类准确率达到98.36%,比支持向量机(support vector machine,SVM)算法、极端梯度提升(eXtreme Gradient Boosting,XGBoost)算法,以及卷积神经网络(convolutional neural networks,CNN)的分类准确率更高。

光谱与测光数据融合算法在变星分类上的应用

天文学上把亮度随时间变化的恒星称为变星。它对于研究星系的距离,恒星的演化以及恒星在不同阶段的性质具有非常重要的意义。目前对变星的识别主要依靠长时间观测其亮度变化,并结合对恒星的光谱进行分析才能最终完成认证。这项工作需要天文学家投入大量时间,难以开展大规模分类。针对上述问题本文提出了一种将测光图像与一维光谱进行数据融合用于对变星进行分类的方法——光谱-测光融合网络(ASPF-Net)。该网络由C1网络和C2网络两部分组成,其中C1是用于提取光谱特征的一维卷积神经网络,C2是用于提取测光数据特征的二维卷积神经网络;最后将两者提取到的特征进行融合,用一个全连接前馈神经网络完成分类。该研究在对食变星、脉冲变星和标准星分类问题上进行了实验。实验数据均来自于斯隆数字巡天项目(SDSS),该项目包含了测光图像和光谱两种数据。对于光谱数据本文选取波长在380.0~680.0 nm范围内的流量值。测光图像由:u、g、r、i和z共5个波段数据组成,对应的中心波长分别为:355.1、468.6、616.6、748.0和893.2 nm。相比于传统的利用其中三个波段合成RGB图像,原始SDSS数据拥有更高的灰度等级。为了方便网络训练,对测光数据和光谱数据均做了标准化处理。分类性能分析方面,使用了精确率,召回率,F1值和平均准确率四个指标进行评估。提出的光谱-测光融合网络(ASPF-Net)在针对食双星、脉冲变星和标准星的分类任务,精确率分别为:91.1%、92.8%和98.2%。实验证明,数据融合之后的分类性能优于单独使用光谱数据或测光数据的分类性能。说明将光谱数据和测光数据结合起来对变星进行分类是一种有效的方法,这为今后的变星的分类提供了一种新的思路和方法。

基于半监督模式的恒星光谱自动分类方法

随着越来越多的大型光谱巡天计划的实施,产生了海量的恒星光谱数据,这对于恒星演化理论的研究具有重大意义,但也给传统的光谱分类和处理带来极大挑战。2021年发布的LAMOST DR7(v2.0版本)光谱数据集中,恒星光谱总量为百万量级,但其中O型星的数量仅为129条,远远小于其他六类恒星光谱数量。对于这种数据量大、数据集严重不平衡的情况,传统的机器学习分类方法达不到较好的效果,因此多用于对相邻两类、部分类或子类恒星光谱进行分类。针对以上问题,使用一维卷积神经网络(CNN)和一维生成对抗网络(GAN)相结合的半监督学习模式对七类恒星光谱进行全分类。实验首先对每条光谱进行裁剪和去噪,截取光谱波长范围为370.00~867.16 nm部分,然后进行均匀采样和归一化,生成大小为1×3700的数据集样本,送入CNN进行训练。为了避免过拟合并提高模型对未知数据的预测能力,在CNN的全连接层和池化层之间添加正则项Dropout。使用该网络对除O型星以外的六类光谱进行分类,平均分类准确率达到98.08%。针对O型星数量严重偏少的问题,采用GAN来扩充数据集。GAN的输入是1×900大小的噪声信号,经过生成器中全连接的三层跨步卷积运算,输出大小为1×3700的数据。通过对生成器和判别器进行单独交替迭代训练使GAN收敛,最终输出所需数量的O型星样本,达到扩充数据集的目的。和常见的通过过采样扩充数据集相比,利用GAN扩充数据集,结合一维CNN对恒星光谱进行全分类,可以将O型星的分类准确率由72.92%提升至97.92%,整个分类器的准确率达到96.28%。实验结果表明,使用这种半监督模式的恒星光谱自动分类方法可以实现对七类恒星光谱的快速、准确分类,也可以用于对标记为“Unknown”的未分类恒星光谱进行挖掘,达到充分利用光谱的目的。

注意力机制和两步走策略的测光图像红移回归模型

红移是星系的基本参数之一。大量已知星系只有测光图像而并没有光谱,因此通过测光图像而非光谱来求取红移值具有重要的研究意义。首先构建了一种基于测光图像估计星系红移的回归网络(GRRnet)。它和以往的类似方法相比网络层数更深,而且增加了注意力机制,使模型能聚焦更为有用的信息。在GRRnet的基础上,进一步提出了一种两步走的策略,GRRnet-C-R:第一步把星系按照红移进行粗分类;第二步按照分好的类分别进行回归估计,最后再合并到一起。这种策略可明显减小测光红移估计的误差。该工作的数据全部来源于斯隆数字巡天(SDSS)的第十六次数据发布SDSS DR16,从中选取了96024个红移小于0.6的星系,每个星系的相关数据包含g,r,z三个波段的合成图像、u,g,r,i,z五波段的测光值、以及被视作标签的光谱红移。在预处理过程中,将测光图像剪切成50×50的尺寸,目的是在保障减少计算量的同时能框选住大部分星系。由于对比算法NetZ的输入尺寸为64×64,为了保持输入尺寸一致,使用cv2.resize函数将图像尺寸更改为64×64。实验采用了七种评价指标与多种方法进行对比,结果表明GRRnet-C-R的均方误差(MSE)低至0.00146,与随机森林(RF)、极限梯度提升(XGBoost)和NetZ相比误差分别降低了22.3%、21.9%和18.0%。GRRnet-C-R的线性回归决定系数R2达到了0.948,取得了一个很好的模型拟合效果。实验结果证明了这种两步走的策略能有效降低测光红移估计的误差,这为之后的测光红移估计提供了一种新的思路和方法。

M31中天体的光谱观测与研究

仙女星系(M31)是距离地球最近的大型旋涡星系,与银河系结构相似且质量相当,对M31天体的光谱观测与研究有助于理解银河系以及一般星系的形成与演化历史。整理了自20世纪以来天文学家对M31中天体的相关光谱观测与研究成果,共涉及了M31中5000余个发射线天体、2000余个星团、6000余颗恒星、1000余颗新星以及核球和盘上的星族的光谱。恒星光谱观测由早期的以超巨星为主发展到近20年更大样本以及更多类型,其中红巨星被用于研究M31星系盘和晕的性质及子结构。发射线天体通常被应用于M31质量测定、运动学分析和恒星演化的研究。M31星团的研究集中于金属丰度和运动学性质,以及利用视向速度测定M31位力质量。对M31中心星族的研究主要集中于核区的星族组成和运动学分析,其中运动学研究结果更支持核区的偏心盘模型。最后,介绍了郭守敬望远镜对M31天体的光谱观测与相关科学研究。

富尘埃宽发射线类星体的CO发射

富尘埃宽发射线类星体在星系演化中十分关键,而星系中分子气体的信息有助于人们了解其恒星形成潜力等性质。使用IRAM-30m望远镜对红移0:5<z<3之间的9个富尘埃宽发射线类星体的CO发射线进行了观测,并在8个源中成功探测到9条不同能级的发射线,其中5条为强探测信号,4条为暂定探测信号。根据CO线宽与光度关系,7个源满足未被引力透镜严重放大的关系,而1个源可能被放大约12倍。利用文献以及能谱分布拟合得到远红外光度,并对引力透镜效应造成的严重放大进行矫正,估算出它们的恒星形成率为(40~3500)M⊙·a^(−1),气体耗竭时间为(20~300)Ma。将它们的红外光度与CO光度进行比较,发现该富尘埃宽发射线类星体样本的恒星形成效率相对其他亚毫米波星系及类星体无明显区别。在该样本中发现了活动星系核相对强度与气体耗竭时间的负相关关系,这与目前的类星体演化理论相符。

一种基于遗传优化的BP神经网络的测光红移估计算法

除了星系的光谱红移之外,星系测光红移的估计也对研究宇宙大尺度结构及演变有着重要的研究意义。利用斯隆巡天项目最新发布的SDSS DR13的150 000个星系的测光及光谱数据,在红移值Z<0.8范围内,先使用SOM自组织神经网络对星系样本进行早型星系和晚型星系的聚类,然后用遗传算法优化后的BP神经网络对星系的测光红移进行估算。估算结果与作为标准的已知星系光谱红移进行比对,早型星系的红移估计最小均方误差约为0.001 3,晚型星系最小均方误差约为0.001 7。实验结果表明,遗传优化的BP算法在精度上优于BP神经网络算法,且效率上优于K近邻、核回归等传统测光红移估计算法。

SDSS J101108+553407吸收线红移大于发射线红移的Lyα吸收系统

对于具有吸收线红移大于发射线红移的吸收体,如果吸收体具有比较大的多普勒速度,吸收体有可能是正在向类星体中心移动。在SDSS J101108+553407的光谱中认证了3个Lyα吸收体,其吸收线红移均大于发射线红移,吸收线红移分别是:3.344 2、3.349 6和3.355 3,对应的多普勒速度分别是401 km/s、773 km/s和1 166 km/s。这3个吸收体的运动情况和起源均不相同:具有最大多普勒红移的一个吸收体,可能起源于类星体物质外流的回落,而另外两个吸收体很可能起源于绕天体中心转动的云团,并且这些云团位于寄主星系中。

切伦科夫线辐射的基本公式

在８０ 年代初，尤峻汉和程富华从理论上证实，当相对论电子在稠密气体中运动时，切伦科夫效应将产生宽的、轮廓明显不对称的原子或分子发射线．此后这一新的谱线发射机制被一系列实验所确证．尤峻汉等人又进一步给出了有关切伦科夫辐射的系列解析公式，但其有关谱轮廓和红移的结论只适用于极稠密的气体．由于这一线辐射机制在天体物理中的潜在重要性，在他们工作的基础上，进一步简化、推广、改进了原有的公式体系。

大天巨星系红移巡天

星系的红移巡天是观测宇宙学中最基本的工作，有关宇宙大尺度结构研究中的许多关键问题，例如宇宙中最大结构的尺度，宇宙中大尺度结构的拓扑特征，以及有关宇宙物质分布的密度场和速度场的许多基本性质的研究，都依赖于覆盖面积足够大、极限星等足够暗的完备的星系红移大样本．通过对巡天的覆盖天区、巡天深度、选样方法、巡样率等方面的分析，比较了最近已完成的一些红移巡天（IRAS、CfA、SSRS、ORS和LCRS等）并对计划中的2dF和SDSS巡天计划作了简要介绍．

江苏省沿海平原区生产建设项目水土保持植物配置利用研究

江苏沿海平原区生产建设项目增加,对区域水土流失造成一定影响,通过区域土壤、降雨、植被类型等自然概况分析,选择适宜于项目区自然条件,易活易长易管理的植物种类,并采取有效的造林种植、抚育管理措施,积极利用水土保持植物措施,美化自然生态环境,使工程建设过程中造成的人为水土流失得到治理。

河外水脉泽寄主星系的射电谱指数(英文)

详细调研并收集了所有河外水脉泽寄主星系的射电观测资料(84个源).在6cm和20cm两个波段,"千脉泽"(其光度小于10个太阳光度)源的射电流量都大于"兆脉泽"源(其光度大于10个太阳光度).由收集的这两个波段的观测数据,首次导出了水脉泽星系的射电谱指数,α=0.87±0.11.比较水脉泽星系和没有检测到水脉泽的星系的谱指数,没有发现明显的差异.进一步分析水脉泽各向同性辐射光度与脉泽寄主星系射电强度,发现它们之间存在一个强相关,这与水脉泽辐射可能是对背景射电连续谱的放大的理论结果相吻合.

主成份分析和交叉相关的红移测量

提出了一种新的红移测量方法.首先进行谱线提取,并利用谱线信息确定红移候选;然后,根据红移候选对目标光谱和模板光谱进行交叉相关计算,最大相关值对应的红移候选为目标光谱的红移.采用的静止模板是利用主成份分析构造的.与已有的基于交叉相关的方法相比,本文方法可测量的红移范围大,受谱线提取效果的影响较小.实验结果表明:该方法优于基于谱线匹配的方法,正确率达到95%以上.

对相对论束模型的一种分类及相应的统计检验方法

本文根据视横向速度是否红移依赖对相对论束模型进行分类并提出对相应模型进行统计检验的方法 .作为应用的例子 ,本文利用前人文献所给视超光速样本进行统计分析 。