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。

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。

从海量星系光谱中搜索超新星候选光谱

完善了一种在海量星系光谱中快速搜索超新星光谱的方法.该方法主要包括五个步骤,第一,光谱的预处理,包括去噪、退红移等处理过程;第二,对每一条光谱进行星系成分和超新星成分的快速分解,并计算本文定义的超新星统计特征描述向量;第三,样本约减,即利用基于局部孤立性因子的离群搜索算法对海量光谱数据样本进行约减;第四,对约减后的结果与所有模板进行交叉相关匹配,根据匹配结果及相应参数获得初步的超新星候选光谱;第五,人工排除,即根据超新星光谱明显的谱线特征排除一些误匹配结果,最终得到特征相对明显的超新星候选光谱.根据上述方法,对选自美国斯隆数字巡天第七期释放数据(SDSS-DR7)的具有较高信噪比的294843条星系光谱进行搜索,获得了36条含爆发超新星的星系光谱侯选,其中9个为本文首次发现并报告,15个已以快报形式被本文作者公开报告,另外12个为已发现并公开命名的超新星光谱.根据最匹配模板的类型,24个未命名的超新星候选光谱包括20个Ia型,3个Ic型和1个II型样本.