成员判定是疏散星团研究中最关键的一步,成员判定的好坏直接影响对星团基本参数的估计.首次利用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法对疏散星团NGC 6791和M67(NGC 2682)分别...成员判定是疏散星团研究中最关键的一步,成员判定的好坏直接影响对星团基本参数的估计.首次利用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法对疏散星团NGC 6791和M67(NGC 2682)分别进行了成员判定,结果表明DBSCAN聚类算法能很有效地剔除场星污染.得到的NGC6791成员星的颜色-星等图上主序清晰并呈现明显的双重主序结构,这表明NGC 6791可能有更复杂的恒星形成与演化历史.对M67的分析表明出现了质量分层现象,并且星团的核心和外围两部分有明显的相对运动.对NGC 6791和M67的分析均表明DBSCAN聚类算法是一种有效的成员判定方法,有传统成员判定方法不具备的一些优点.展开更多
利用疏散星团NGC 188所在天区的1046颗恒星样本的高精度3维(3D)运动学数据(自行和视向速度)测试了DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法的成员判定效果.为了避免自行和视向速度的单位不一致带...利用疏散星团NGC 188所在天区的1046颗恒星样本的高精度3维(3D)运动学数据(自行和视向速度)测试了DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法的成员判定效果.为了避免自行和视向速度的单位不一致带来的影响,在数据预处理阶段将3个分量的数据统一标准化至[0,1]区间.利用第k个最近邻点距离方法分析了1046颗恒星样本在标准化无量纲3D速度空间的分布特征,再根据第k个最近邻点距离随k值的变化趋势确定了DBSCAN聚类算法的输入参数(Eps,MinPts),最后利用DBSCAN聚类算法分离出497颗3D运动学成员星.分析结果表明得到的3D运动学成员星是可靠的.展开更多
基于Gaia Data Release 2 (Gaia-DR2)星表,采用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行邻近疏散星团成员检测.从Gaia-DR2中选取了594284颗恒星(距离太阳<100 pc)作为样本,使...基于Gaia Data Release 2 (Gaia-DR2)星表,采用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行邻近疏散星团成员检测.从Gaia-DR2中选取了594284颗恒星(距离太阳<100 pc)作为样本,使用恒星的五维数据(三维空间位置和两维自行)进行聚类分析.在数据预处理阶段,将每一维数据标准化到[0, 1]区间内,避免了单位不一致对聚类效果的影响.然后,利用k-dist图确定了DBSCAN算法的输入参数(Eps, MinPts).最终,使用DBSCAN算法获取了133颗成员星,它们在五维相空间中可以被分成两组,分别对应于疏散星团Hyades和Coma.分析结果表明得到的成员星是可靠的.根据两个星团的成员星, Hyades和Coma的距离分别确定为(46.5±0.3) pc和(84.9±0.4) pc.展开更多
文摘利用疏散星团NGC 188所在天区的1046颗恒星样本的高精度3维(3D)运动学数据(自行和视向速度)测试了DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法的成员判定效果.为了避免自行和视向速度的单位不一致带来的影响,在数据预处理阶段将3个分量的数据统一标准化至[0,1]区间.利用第k个最近邻点距离方法分析了1046颗恒星样本在标准化无量纲3D速度空间的分布特征,再根据第k个最近邻点距离随k值的变化趋势确定了DBSCAN聚类算法的输入参数(Eps,MinPts),最后利用DBSCAN聚类算法分离出497颗3D运动学成员星.分析结果表明得到的3D运动学成员星是可靠的.