一种星系形态分类的新方法

在天文学研究领域,星系的分类一直是一个热点和难点问题。近年来有学者将机器学习应用于星系形态的简单分类,但在分类过程中出现特征选择困难、特征遗漏、分类器选择困难等一系列问题。星系在视觉形态上可以分为椭圆星系、旋涡星系、透镜星系以及不规则星系。针对SDSS DR16,Galaxy Zoo2和EFIGI目录中星系的测光图像,提出了一种分类精度更高的星系形态分类(Galaxy Morphological Classification,GMC)方法。首先对图像进行剪裁、去噪,然后采用旋转、平移、缩放等方法进行数据增强,最后搭建了星系形态分类网络GMC-net对图像进行分类。从实验结果来看,旋涡星系、椭圆星系、透镜星系以及不规则星系分类精确率分别为98.29%,98.49%,99.18%和99.91%,召回率分别为98.44%,99.03%,98.89%和99.34%;对单独来自EFIGI目录中4种形态星系的分类准确率也达到了99.34%。实验结果表明,星系形态分类相较于其他分类方法表现更好,可以有效地用于星系的形态分类。

星系碰撞和星系并合

1923年10月6日,美国天文学家哈勃首次证实了河外星系的存在。嗣后,人们观测到了越来越多形状各异的河外星系。随着大型望远镜和空间望远镜的问世,河外星系的观测研究,包括探索它们的形成、结构和演化,已成为天体物理学的前沿研究领域,其中特别引人注意的观测事实是星系间的碰撞和并合。

基于硬调整孪生网络和代价敏感模型的恒星/星系识别

恒星星系的精准识别是开展很多天文海量数据分析和处理任务的基础。受环境因素影响,采集到的暗星体观测数据使得恒星和星系差异不明显,而且暗星体数据量较小,给分类带来困难,所以在恒星/星系识别任务中准确地识别暗星体成为近年来研究的重点。提出一种用于极暗星体识别的硬调整孪生网络模型,解决了小样本问题和困难样本挖掘问题,将极暗星体的识别效果较目前最好结果提升了8百分点左右;同时提出用于暗星体和亮星体识别的代价敏感模型,解决了数据量充足条件下的困难样本挖掘问题,暗星体和亮星体的识别效果较目前最好结果分别提升了1百分点和0.1百分点。

盘状星系的大小分布的统计研究

在Sloan数字巡天计划第四批释放的数据中选择了40599个面向的盘状星系,统计研究它们的大小分布。结果表明,面向盘状星系的大小分布在绝对星等区间内,遵从对数正态分布函数。星系的大小与绝对星等紧密相关,即星系越亮,其尺度越大。与文[1]的结果相比,在相同的绝对星等区间,我们得到的r波段半光度半径要稍高于他们的结果,这主要是因为我们的样本只包括了面向晚型星系,而他们的样本则包括了所有空间取向的晚型星系。

基于聚类的星系光谱分析

各类大型巡天项目产生了海量的天文数据,因此,需要研究适用于大规模数据的光谱自动处理方法.传统的基于谱线检测或BPT(Baldwin,Phillips,Terjevich)诊断图的星系光谱分类方法难以直接应用于星系光谱自动分类,相比之下,基于机器学习的光谱自动分析更适用于海量天文数据的分类研究.提出一种基于双层聚类的星系光谱分析方法.第1层采用k均值聚类算法将星系光谱分为吸收线星系和发射线星系,第2层使用CLARA(Clustering LARge Applications)聚类算法将发射线星系聚为5簇.对LAMOST DR5的星系数据进行实验,结果表明:(1)第1层k均值聚类能够成功将星系光谱分为吸收线星系和发射线星系,聚类簇与基于谱线检测的分类结果基本一致.(2)第2层CLARA聚类结果能够在BPT图中反映出不同的星系类型.(3)光谱聚类结果与颜色星等图分类存在预期的相关性.(4)k均值聚类和CLARA聚类能够适用于大规模数据自动分析处理,聚类结果能够很好地反映星系的物理性质和演化过程,簇心数据可以为光谱自动分类系统提供模板.

A novel adaptive classification scheme for digital modulations in satellite communication

To make the modulation classification system more suitable for signals in a wide range of signal to noise ratios （SNRs）, a novel adaptive modulation classification scheme is presented in this paper. Differ-ent from traditional schemes, the proposed scheme employs a new SNR estimation algorithm for small samples before modulation classification, which makes the modulation classifier work adaptively according to estimated SNRs. Furthermore, it uses three efficient features and support vector machines （SVM） in modulation classification. Computer simulation shows that the scheme can adaptively classify ten digital modulation types （i.e. 2ASK, 4ASK, 2FSK, 4FSK, 2PSK, 4PSK, 16QAM, TFM, π/4QPSK and OQPSK） at SNRS ranging from 0dB to 25dB and success rates are over 95% when SNR is not lower than 3dB. Accuracy, efficiency and simplicity of the proposed scheme are obviously improved, which make it more adaptive to engineering applications.

北京的长颈鹿——鹿豹座

鹿豹座位于天球北部，它周围有小熊、仙王、仙后、天龙、大熊、天猫、御夫和英集邮册座。冬夜出现在北方高空中的鹿豹座靠近北极星它是一个很大的“瘦高挑”形的星座，但其中都是比4等星更暗的星，所以很不容易观察清楚，而且一般在南纬37度以南地区的居民看不到这个星座。