基于主成分分析法搭建A型星有效温度的神经网络模型

大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope,LAMOST,又叫郭守镜望远镜)巡天项目提供了海量恒星光谱数据,DR5数据集中包含大量A型星谱线指数和有效温度的信息。机器学习算法可以发掘数据底层相互关系的神经网络模型,已广泛应用于多个学科。通过使用DR5数据集中的A型星19种谱线指数和有效温度,通过主成分分析法给出了每种谱线指数占整个数据信息的百分比,并以此为基础,选取与有效温度关系最紧密的12种谱线指数,利用有效温度误差小于100 K的数据训练得到有效温度的神经网络回归模型。模型在测试数据集上整体表现较好,程序给出的决定系数R2为0.904,平均绝对误差为58.38 K。对比相关研究的模型,测量准确度有了明显提升。此外,通过建立模型,对有效温度误差大于100 K的原始数据重新进行测量,得到的有效温度绝对误差的平均值有了明显下降;同时DR5数据集中A5型恒星数据缺少有效温度参数,通过模型的测量,对这一部分数据进行了补充。

δScuti变星和相关天体

δ Scuti型变星是赫罗图上 A3～F5区间的主序及其以上的一种周期短于0.3 d的单周期或多周期小变幅脉动变星。与它们相关的变星有矮造父变星、γDol变星、蓝离散星、金属线星、A型特殊星、λ Boo变星和 δ Del变星。有些赫比格Ae/Be星也存在类似的脉动。对自 1964年起的研究工作进行了系统的总结,给出了1995年后新发现的相关变星数和最可靠的周期变化表,提出应当用双星轨道光时效应来解释实测得到的变星周期变化中的幅度很大的成分。统计表明自转越快变幅越小,因此年轻星团中不可能存在大变幅变星。变幅随周期的分布有3个极大值,最大变幅是周期0.17d处的1.0mag。恒星系统内变星的平均周期越短系统的年龄越大,金属丰度也越低。