色差对星敏感器成像模型参数影响分析与补偿

星敏感器在投入使用之前需要对其进行标定以获取准确的成像模型参数值来保证姿态测量精度。现有标定方法采用单一谱段光源模拟恒星成像未考虑恒星光谱特性,色差导致标定的模型参数值和真实值存在差异。为提高模型参数准确度,首先建立了光谱差异下星敏感器恒星成像模型,进一步分析了色差对不同光谱型恒星成像模型参数的影响。在此基础上,提出采用三个典型谱段模拟恒星成像,利用三谱段成像位置信息来推算不同光谱型恒星在星敏感器工作谱段范围内成像位置,以实现对任意光谱型恒星成像模型参数的补偿。实验结果表明:相对于现有利用单一谱段标定参数测量的星角距,该补偿方法测量的星角距均方根误差降低了40.81%,有效减小了色差对星矢量测量的影响。

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。

结合注意力机制的恒星视向速度计算方法

视向速度法是一种根据目标恒星的视向速度变化来推断系外行星是否存在的有效方法,它对系外行星探测有重要作用。由于恒星活动、观测光谱与模板光谱的差异以及其他因素导致的光谱噪声,采用交叉相关算法计算恒星的视向速度会存在一定误差。提出了一种结合注意力机制的恒星视向速度计算方法,该方法对恒星光谱数据进行处理以去除光谱中的噪声,根据恒星视向速度变化的周期性计算恒星的视向速度。首先,采用高斯过程回归算法建立光谱模型,减少噪声的影响,得到更加准确的光谱数据。子集近似法被应用到光谱建模的过程中以减少计算量。然后,结合注意力机制的思想,为光谱中的吸收线赋予不同的权重,计算不同光谱间的视向速度差。最后,根据各视向速度差之间的关系,计算出恒星的视向速度。本文通过仿真实验分析了信噪比和恒星光谱数量对视向速度计算误差的影响。实验结果表明,相较于交叉相关算法,当信噪比较低时,结合注意力机制的恒星视向速度计算方法能有效减小视向速度的计算误差,通过增加恒星光谱数量能在一定程度上提高视向速度的计算准确度。对HD85512的光谱数据进行了分析。与其他算法相比,本文提出的算法减小了视向速度的计算误差,较大地提高了计算精度。

色温对星敏感器恒星定位精度的影响

色温影响星敏感器恒星定位精度。运用光线追迹方法,研究色温对恒星定位精度的影响。在分析不同色温恒星光谱分布特征的基础上,建立恒星光谱模型,计算色温差异引起的恒星定位误差。计算结果表明:中心视场附近色温差异引起的恒星定位误差较视场边缘小;通过合理选择光学系统的响应波段,可以减小色温差异引起的恒星定位误差,但会损失恒星到达探测器感光面的光能量。例如,当响应波长从300～1100nm减小为400～800nm时,星敏感器视场(0°,0°)、(0°,2°)和(0°,4°)处的单颗恒星定位误差分别减小为0.0422″、1.9652″和3.3891″,约为原来的54%、65%和70%;色温为9600K、7600K、5600K和3600K的恒星像斑能量分别约为原来的58%、62%、63%和51%。

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。

基于模糊大间隔最小球分类模型的恒星光谱离群数据挖掘方法

由于人类对宇宙的认识有限,因此,如何通过对光谱数据分析发现一些新的、特殊的天体成为天文学家面临的重要课题。目前,常见特殊天体发现方法的基本思想是利用智能分类算法对离群数据进行分析。然而,当前主流分类算法大多对离群数据不敏感,分类性能甚至受离群点影响较大,因而无法完成特殊天体发现任务。鉴于此,提出基于模糊大间隔最小球分类模型的离群数据挖掘方法,该方法利用部分一般样本和离群样本建立最小球模型,并在此基础上引入模糊技术,通过降低噪声的权重,尽量减少噪声的影响。与C-SVM,SVDD,KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明所提方法的有效性。

恒星光谱参数自动测量中不同模板匹配度量方法比较

模板匹配方法是恒星光谱参数自动测量中常用的方法之一。对经常使用的三种模板匹配算法:K-最近邻算法(KNN)、卡方最小化算法和光谱相似度算法测量恒星光谱参数结果进行比较。首先对光谱进行连续谱归一化及流量归一化,然后对三种算法测量恒星光谱参数的结果进行比较。对SDSS DR8大样本数据的实验表明,光谱相似度算法在测量恒星光谱参数中有相对优势。

确定恒星表面有效温度的非参数估计方法

恒星表面有效温度是恒星的一个重要物理参量,是恒星光谱差异的重要因素。文章采用非参数估 计算法对恒星表面温度进行估计。首先对历史光谱数据进行主成分分析(PCA)处理,再根据PCA特征数据 与其表面温度的对应关系建立温度的估计模型,该模型是基于高斯核函数的。方法不依赖对光谱进行精确 测量,就可以得到较高估计精度的温度值,对大样本光谱分析具有重要意义。

确定恒星表面有效温度的曲面拟合方法

恒星表面有效温度是恒星的一个重要物理参量,是恒星光谱差异的决定因素。本文提出了一种确定恒星表面有效温度的曲面拟合方法,所使用的拟合曲面模型是多项式的指数函数。首先对历史光谱数据进行PCA处理,再根据PCA特征数据与其表面温度的对应关系计算拟合曲面。通过实验,我们发现使用2维PCA数据和指数为3次多项式,根为10的指数函数模型所得到的拟合曲面,不仅有效好的拟合精度而且有很好的鲁棒性。本文的研究结果对恒星表面有效温度的自动测量具有重要的意义。

光谱滤波装置在白天测星中的应用

概述了天空背景光、星体及探测器件ＣＣＤ的光谱特性，并根据这些特性，采用光谱滤波装置，提高星光与天空背景光的对比度，从而提高白天测星等的能力。

基于光谱相似度的恒星大气参数自动测量方法

采用模板匹配方法进行恒星光谱的自动处理时,不需要计算光谱的线指数,而采取对全谱匹配的方法尽可能多的保存有用的信息,可得到比较理想的结果。提出一种基于光谱相似度的恒星大气参数自动测量的方法。首先对恒星光谱进行连续谱归一化,然后通过计算待测光谱和模板光谱之间的相似性来进行模板匹配,从而得到相对准确的恒星大气参数。通过ELODIE实测光谱数据和NGS理论模板库之间的实验表明,本方法可有效进行恒星大气参数的自动测量,并能得到理想的结果。

基于属性约简的恒星光谱数据分类规则挖掘系统研究

知识约简与决策规则的提取是粗糙集理论研究的核心内容。本文针对新加入对象相对于原来的极小决策算法而言是全新的这一情况,提出了一种基于粗糙逻辑的增量式属性约简算法,从而避免每次从庞大的原始决策表开始约简,提高了效率。在此基础上,采用VC^(++)和Oracle9i为开发工具,设计与实现了基于属性约简的恒星光谱数据分类规则挖掘系统,从而为实现恒星光谱数据的自动分类提供了一种有效途径。

基于统计窗的恒星连续谱自动拟合方法

提出一种基于统计窗的恒星连续谱拟合方法。该方法将恒星光谱划分为若干个统计窗,在每个窗口内根据信噪比选取一定比例的流量点,然后对选出来的流量点进行低阶多项式迭代拟合,从而得到连续谱。实验表明,与其他方法相比,该方法得到的连续谱更接近于实际连续谱。该方法对SDSS中除M外的各种光谱型连续谱的拟合均具有很高的实用性和鲁棒性,对于郭守敬望远镜(LAMOST)先导巡天恒星光谱的连续谱拟合同样具有非常好的效果。

星像抖动的时域频谱

本文顾及湍流外尺度的影响导出了星像抖动频谱的普遍表达式，在均匀光路的情况下得到了分析表达式。理论结果与实验数据相当一致。同时讨论了测量星像抖动所需要的频带宽度以及有限带宽所产生的测量误差。

LAMOST恒星分类模板间相似性度量分析

随着获取和收集天文光谱大数据能力的与日俱增,合理利用计算科学技术正确地分析海量光谱的处理方法及结果统计。前述工作采用了欧氏距离分析判别LAMOST实测光谱与模板之间相似度的研究,研究恒星分类准确性取决于高质量的模板光谱,选取LAMOST光谱在用的分类软件中183个恒星模板光谱,分别利用欧氏距离和马氏距离方法得出A,F,G,K和M型恒星模板间的均值和最大值,完成每条谱线相互之间的相关性分析,找出相对距离较大的模板及形成原因。相似度度量可视化实验数据结果表明模板之间具有一定的区分度,通过马氏距离分析模板间相似性能更进一步辨识出相近模板之间的细微差别,具备较优良的判别效果,证实了LAMOST现有分类的各模板间距离较均匀,且分类结果较为准确。该研究可进一步优化在用光谱分类模板,提升LAMOST恒星分类模板库的精确度和可信度。

基于核岭回归方法的恒星大气物理参数的自动测量

我国大科学工程项目LAMOST巡天计划每观测夜能获取多达数万条天体光谱数据,天文学家通过对天体光谱的分析观察可以获取有效的天文信息用于天文学或天体物理学的研究。而针对海量数据,寻找自动方法分析天体光谱并进行天体各种物理参数的测量就具有重要研究意义和价值。这一课题也吸引了许多学者进行研究,但目前所尝试的算法和相应结果仍然需要进一步改进,针对这一需求深入研究了核岭回归(KRR)方法在恒星大气物理参数(包括有效温度、表面重力和金属丰度)自动测量方面的应用,特别是在我国大科学工程项目LAMOST所释放光谱数据上的应用。核岭回归是岭回归算法的进一步发展,而岭回归是最小二乘方法的一种变形,其具有解决高维多重共线性问题的能力。所以KRR方法适合于处理高维的天体光谱信息,从LAMOST的第五期释放数据中随机选择了2万条被识别为恒星的光谱数据用于实验测试,该数据既包含低信噪比数据,也包含高信噪比数据(g,r,i波段平均信噪比最低至6.7,最高到793)。首先,本文对光谱进行预处理,包括三个步骤:(1)利用小波变换对光谱数据进行去噪处理;(2)因为LAMOST采用的是后期修正的流量定标设计,所以还通过流量归一化来避免部分光谱流量值不准确的问题;(3)由于每条光谱维数高达数千维,利用主成分分析方法(PCA)对光谱进行了降维。然后,利用KRR方法建立了光谱数据和标准化后的三大参数值之间的回归模型。最后,通过设计进行不同的组合实验对KRR算法模型进行了测试分析,并与经典算法支持向量回归(SVR)进行了对比。综合所有实验结果显示KRR方法对应的有效温度、表面重力和金属丰度的测试平均绝对误差分别为82.9897 K,0.1858 dex和0.1211 dex,优于SVR的144.2308 K,0.1886 dex和0.1246 dex。特别是KRR在温度测试结果上有较大优势,由此表明KRR方法能够有效地应用于天体光谱特别是恒星光谱参数的自动测量处理中。

马氏距离度量LAMOST早型星光谱的分类研究

随着天文大数据不断积累,我国大天区多目标光纤光谱望远镜LAMOST已完成6年的大规模巡天观测,获得DR5数据集已达到900多万条光谱,其中含有观测比例较低的早型恒星光谱,具备重要的研究价值。利用准确的恒星分类模板库可提升恒星的分类精度与可靠性,由于LAMOST第一年的巡天光谱中并没有完整覆盖B型恒星包含的所有子类型,造成后续观测数据分类的子类型范围受限。依据LAMOST已发布DR5数据中B型恒星光谱为研究对象,选取ELODIE发布的B型恒星实测光谱模板库来检测LAMOST在用的分类光谱。首先完成ELODIE发布37条B型光谱模板的相关性分析,去掉相关性弱的三条光谱后,筛选出ELODIE 34条B型恒星实测模板作为中心,通过计算LAMOST DR5发布的绝大多数被标记为B6型(7 662条)和B9型(3 969条)实测光谱的马氏距离,经有监督聚类LAMOST早型恒星光谱数据,标记13个子类型在涵盖B2—B9子类的34条ELODIE光谱模板中的分布。经线性分析判别每条谱线子类型的类内距离,确保波长覆盖范围和分辨率与LAMOST数据完全一致,去掉距离数值偏差较大的数据,计算相应子类的平均谱线,得到LAMOST源于DR5观测数据早型B型恒星的13条子类型光谱分类模板,为后期完善模板提供较好的参考性。

基于可变形卷积网络的恒星大气物理参数自动测量

为解决海量恒星光谱数据自动处理问题,更准确地对恒星光谱物理与化学性质的研究,同时更加直观地反映恒星性质参数,通过利用可变形卷积网络(deformable convolutional network,DCN)方法对恒星大气物理参数进行分析,系统地研究了恒星表面有效温度(T_(eff))、表面重力(logg)、金属丰度([Fe/H])3个物理参数,实验结果对比梯度下降法神经网络(back propagation neural network,BPNN)、人工神经网络(artificial neural network,ANN)、径向基神经网络(radial basis function neural network,RBFNN),评价标准为平均绝对误差(mean absolute error,MAE)、均值误差(mean error,ME)。基于SDSS-DR9、LAMOST-DR3恒星光谱数据得到T_(eff)、logg、[Fe/H]的DCN-MAE分别为97.2136 K、0.2812 dex、0.1252 dex,DCN-ME分别为106.5963 K、0.3856 dex、0.1753 dex。实验结果显示DCN效果优于BPCNN、ANN、RBFNN,为进一步分析与反映恒星真实情况提供参考。

基于深度残差网络的恒星光谱类别预测

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。本文将分类问题转化为回归问题,提出一种基于深度残差网络的光谱类别预测方法,对恒星光谱进行光谱次型预测。网络主要包括25个卷积层,1个最大池化层,1个平均池化层,全连接层以及12个残差结构。最大池化层用来筛选特征,卷积层提取特征,平均池化层用于减少模型参数,提高效率。残差结构可以防止网络退化,加深网络来提取高维抽象特征以及提高训练速度。考虑到数据有非零几率存在错误标签以及损坏数据,采用Log-Cosh作为损失函数来降低坏样本带来的负面影响。实验数据使用的是从LAMOST DR5中随机抽取的80000条光谱,由于光谱质量等原因,每个光谱型的光谱数量不一。经过剔除坏值,流量归一化后,按7∶1∶2分为训练集、验证集和测试集。实验包括两个部分,第一个部分是使用数据集训练网络在光谱次型上进行类别预测,使用最大绝对误差、平均绝对误差以及标准差来比较不同形状卷积核的性能。将预测值作为横坐标,标签作为纵坐标,对测试集所有样本点使用二阶非线性拟合,得到了一条与y=x重合的直线。证明模型可以很好的预测光谱次型。第二部分是对模型进行内部分析,使用类别激活映射的方法分别研究了模型预测A,F,G和K四种类型光谱时所关注的主要特征,赋予了模型可解释性。在文中数据集上,该方法对91.4%的光谱预测误差在0.5个光谱次型以内,预测的平均绝对误差为0.3个光谱次型。并与非参数回归、Adaboost回归树、K-Means三种方法进行同数据集比较,结果表明文中提出的方法可以很好地预测光谱次型并且速度更快,准确率更高。