常见的恒星质量和恒星形成率计算方法之间的对比

针对斯隆数字巡天计划中有测光及光谱认证的正常星系的样本,利用天文多波段巡天数据,分别使用恒星质量和恒星形成率(SFR)的数种不同计算方法,从原理到结果进行相互对比。研究发现,不同的恒星质量估算方法的结果相互差异并不显著,然而SFR的不同方法之间存在不同程度且重要的误差。因此,在对星系间SFR进行相互比较,或是研究星系演化时的SFR分析时,应使用相类似的观测数据资料,以及同一种SFR估算方式,避免不同估算方式的偏差造成的错误解读。

恒星活动与系外宜居行星探索卫星——“紫瞳”科学卫星

生命从哪里来?人类在宇宙中是否独一无二?这些都是各国科学界研究的重大科学问题。恒星辐射与活动性是决定行星宜居性的关键因素。本文提出的科学卫星“紫瞳”,瞄准了系外宜居行星探测等重大科学问题,首次在近紫外-可见光双波段开展恒星活动观测与系外行星搜寻,并期望在“另一个地球”搜寻上取得重大突破。“紫瞳”载荷为4个共视场(10°×10°)的30 cm口径望远镜,等效口径50 cm。“紫瞳”主要科学目标包括:对1000多万颗恒星开展活动性监测,揭示恒星活动性规律;发现2000多颗系外行星候选体,揭示热行星的大气特征;发现红矮星周围的“另一个地球”。此外,“紫瞳”在太阳系小天体探测、暂现源监测、超大质量黑洞搜寻和刻画、引力波对应体搜寻等时域天文学领域也发挥着重要作用,帮助理解宇宙中极端高能事件的物理机制。

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。

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。

适应大范围星场密度变化的恒星辨识与抑制

大视场光学望远镜是中高轨目标搜索的重要设备,在搜索图像中除中高轨目标外还存在恒星目标,对恒星目标进行辨识与抑制是中高轨目标检测的必要环节之一。考虑银道面附近天区、曝光时间差异以及多云遮挡等因素的影响,图像中的星场密度变化区间非常大,传统的恒星辨识方法在计算准确性与实时性方面均存在局限性,导致恒星虚警、计算超时等情况的发生。为解决该问题,提出了一种基于惯性坐标时域相对不变性的恒星辨识与抑制方法。推导了地平坐标系与惯性坐标系的数学转换关系,并由此构建了恒星辨识模型;在不同的静态系统误差条件下,量化分析了恒星目标的惯性坐标时域相对不变性;最后,开展了恒星辨识与抑制算法的仿真与实验验证。仿真与实验结果表明:在时间间隔为10 s、静态系统误差为10″的条件下,恒星的惯性坐标最大相对差异为0.51″(赤经),0.16″(赤纬),其时域相对不变性满足恒星辨识需求,辨识过程完全不依赖星场密度。经100圈次中高轨目标实测图像验证,本文方法未出现恒星虚警及中高轨目标检测缺失的现象。

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。

基于W几何形的恒星光谱分子带检测

研究关注由分子内部能级变化引起的光谱分子带的识别和检测,有助于研究恒星光谱类型和参数估计。首先从分子带的曲线趋势出发,运用曲线分析对分子带进行识别,并剔除具备W形但下降趋势明显的伪分子带。借鉴多类型多分类准则的识别思路,将检测出的分子带尖峰深度、W形宽度、曲线趋势和回升趋势四个参数作为训练特征。这四个参数综合考虑了始点变化速率、曲线变化趋势、极值点分布和曲线形状因素。其次,为了验证该方法的可行性与可靠性,利用LightGBM(light gradient boosting machine)模型分别对F型恒星光谱和分子带特征参数进行识别,准确率分别为97.62%和99.16%,进一步验证了所提取分子带的准确性。本工作不仅能挖掘出晚期恒星,提高数据标签的准确性,还能在准确识别的基础上,利用LightGBM机器学习模型检测未知型光谱自动识别晚期恒星,提高了识别效率并且减少了内存占用。

棒与星系整体恒星形成性质关系的统计研究

盘状星系中的棒结构特征与星系自身所处环境及整体恒星形成特征之间存在复杂的相互关系。利用细致的星系形态特征测量计划Galaxy Zoo DECaLS中的数据构建了一组目前最大的具有同样恒星质量分布的强棒、弱棒和无棒星系样本。通过引入星系所处暗晕质量及相空间特征来控制星系所处的环境效应之后,进一步对比研究强棒、弱棒和无棒星系的恒星形成特征。研究表明,有棒星系中的恒星形成熄灭的比例系统地高于无棒星系,且强棒的效应更为明显。但是,对于仍处于恒星形成主序上的星系来说,强棒、弱棒和无棒星系的恒星形成特征并没有显著差别。以上结果表明,星系中的棒特征在其存在的时标中可能使部分星系迅速地从恒星形成转入熄灭状态。

基于正则化与恒星日滤波的BDS多路径误差削减方法

在重构的载波相位单差残差基础上,利用分段思想估计北斗卫星的多路径重复时间,分别采用正则化方法和经典小波滤波方法提取载波相位单差残差的多路径信号,得到“干净”的单差残差序列。实验结果表明,利用Tikhonov正则化方法正确提取多路径信号是可行的,多路径信号比原始测量残差更具平滑性,并进一步优化了正则化参数的估计方法。利用优化后的Tikhonov正则化方法与恒星日滤波后,载波相位单差残差平均改进40.5%;坐标残差E、N、U方向分别改进24.8%、26.3%和42.7%。无论是观测值域还是坐标域,优化后的Tikhonov正则化方法较传统的小波滤波方法更具优越性。

4R营销理论视角下“恒星引力”IP影视剧的营销策略研究

随着IP热成为我国影视产业的大势,当下大部分火爆的影视剧均为IP改编。近年来,上海恒星引力影视传媒有限公司接连出品《怪你过分美丽》《苍兰诀》等优质IP影视剧,深受Z世代观众青睐。该公司独具特色的营销策略是其IP影视剧成功的关键。从4R营销理论来看,该公司通过关联观众喜好、及时回应观众和市场需求、维系多方关系、促成双向回报等营销举措,与观众建立并维系着长期互动的关系,其营销经验可供我国其他影视制作公司借鉴学习。

黑体与恒星相结合的短波红外遥感器在轨辐射定标简析

为满足气象水文、天文观测等领域对短波红外遥感器高精度探测需求,近年来对短波红外探测定量化应用的需求越来越高。本文针对高轨面阵短波红外遥感器在轨各种因素引起的非均匀性变化情况,基于面源黑体定标结合恒星定标的在轨绝对辐射定标设计方案,结合某遥感器任务研制过程的具体实际,分析了定标精度主要影响因素及优化措施,包括星上定标方案优化、星上黑体温度控制优化、恒星提取算法优化等。通过实验室测试对在轨辐射定标方法进行了验证,并对在轨绝对辐射定标不确定度进行预估,评估结果表明定标不确定度能够满足应用要求。

观测值域恒星日滤波方法在高铁路基变形监测中的应用

针对高铁环境下对多路径误差削弱方法分析不足的问题,提出一种高铁路基变形监测方法:利用哈佳铁路路基实测北斗卫星导航系统(BDS)观测数据,采用双差、单差和非差观测值域恒星日滤波方法,提取变形监测中多路径相关的周期性误差,以消除多路径误差对变形监测结果的影响。实验结果表明:3种方法在东方向上的定位精度分别提高了26.90%、36.82%和27.41%,北方向提高了37.31%、46.10%和37.50%,高程方向提高了40.41%、42.52%和40.20%;单差方法对多路径效应改正的效果最好,更适用于高铁路基变形监测中多路径效应的削弱。

基于LAMOST数据与机器学习方法测定大样本恒星年龄

为了了解银河系以及追溯其形成历史,需要对分布在银河系中的大量恒星样本进行准确的年龄预测。通过LAMOST DR5和Kepler的星震学数据交叉匹配获得的训练样本,给出了一个具有163105颗恒星年龄参数的红团簇星星表。使用核主成分分析与随机森林相结合的方法对多个恒星参数与恒星年龄之间的关系进行训练,将样本分为训练集与测试集进行模型的训练与对照验证,测试集显示所训练的模型对恒星年龄预测的绝对误差平均值为0.46 Gyr,相对误差平均值为13%。同时,还探究了核主成分分析所使用的主成分个数与模型预测性能的关系,结果发现,当主成分达到4个时,模型的预测性能开始趋于稳定。

8M_■恒星演化过程中湍流应力作用效果的分析

以恒星结构与演化理论中常用的混合程理论为基础,将湍流作用表现出来的宏 观应力引入恒星结构与演化模型中的流体静力学平衡方程．通过计算8M(?)恒星从主序星 到早期AGB星演化过程中湍流应力梯度与引力的比值来研究湍流作用对恒星演化与结构 的影响．结果发现:在核燃烧阶段其比值很小,湍流作用几乎可以忽略;但在RGB和早 期AGB演化阶段,发现在恒星外部存在一个湍流应力梯度为引力的几倍到几十倍的很小 区域,而该小区域以外的对流区内湍流作用力能达到引力的65％,这些对AGB星的中心 温度变化与热脉动发生的时间等恒星结构与演化规律有不同程度的影响．

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。

恒星物质的不透明度

简单介绍了恒星物质的透明性质在恒星结构、演化、振动等许多恒星物理基本问题研究中的重要性和决定恒星物质不透明度的物理过程，回顾了第一代不透明度数据LAOL的发展历程与存在的问题，介绍了新一代不透明度数据OPAL的发展和目前观测与理论之间依然不一致的地方。

一种新的恒星光谱间距离度量方法：残差分布距离

距离度量是光谱巡天数据处理中的一个重要研究内容,其定义了一种不同光谱间的距离计算方法,以此为基础可进行光谱的分类、聚类、参数测量及离群数据挖掘等工作。距离度量方法的好坏在一定程度上影响了分类、聚类、参数测量及离群数据挖掘的效果及性能,同时随着大规模恒星光谱巡天项目的开展,如何针对恒星光谱定义更为有效的距离度量方法成为其数据处理中一个非常关键的问题。基于此问题,在充分考虑到恒星光谱的特点及其数据特征的基础上,提出一种新的恒星光谱间的距离度量方法:残差分布距离。该距离度量有别于传统计算恒星光谱间距离计算方法,利用该方法计算恒星光谱间的距离时,首先将两条光谱归一化到同一尺度下,然后计算对应波长处的残差,以残差谱分布的标准差作为距离度量。该距离度量方法可用于恒星分类、聚类以及恒星大气物理参数测量等应用中。本文以恒星光谱细分类为例来比较检验该距离度量方法,结果表明该方法定义的距离在分类时能更为有效的刻画不同类别光谱间的差距,可以很好的用于相关应用中。同时还研究了信噪比对该距离度量方法的影响:残差分布距离一定程度上受光谱信噪比影响,信噪比越小,对距离的影响越大;在信噪比大于10之后,残差分布距离对分类的影响很小。

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。

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。