LAMOST恒星光谱数据分析

天文学界对天文学的研究是无止境的,天文学问题的亟待解决需要更多的信息资源,而对观测天体仪器的精度要求也越来越高。我国LAMOST的综合观测水平处于国际领先水平,其每夜的光谱观测量高达数万条,为天文学的发展提供了信息资源。恒星光谱中包含着关于恒星的诸多属性信息,通过对恒星光谱数据的研究与分析,找出数据信息中的联系,发掘出与恒星种类相关的恒星光谱数据以及不同恒星光谱具有的光谱数据特点。

恒星光谱数据弱特征识别方法

恒星光谱弱特征识别是LAMOST光谱数据分析的重要研究内容,能够为恒星光谱分类提供重要科学依据。目前,针对恒星光谱数据进行特征识别的方法较多,但是缺乏对某种特定特征谱线进行精确提取的算法。针对LAMOST低分辨光谱数据中Hα弱发射线轮廓形态多样问题,提出了一种基于置信度的Hα弱发射线识别方法。首先,基于Hα弱发射线轮廓形态特征给出Hα弱发射线的置信度的度量方法。利用Hα发射线波长区间内峰值与发射线的偏移量建立距离置信度模型,根据高斯轮廓所含像素点个数建立高斯轮廓副信息模型,通过计算峰值左右波形的差异建立对称性评估模型,结合三个模型给出最终的Hα弱发射线的置信度,并基于此置信度进行第一轮筛选。为了提高精度,提出了借助其它发射线的特征给出了基于二分类的Hα发射线筛选策略。通过考察Hβ、NII、OIII以及SII发射线的特征,基于辅助信息的决策树进行第二轮筛选,进一步提高筛选的精度。实验结果表明:提出的Hα弱发射线的特征度量方法的准确度高达90%,并且速度较快,平均每1 k数据耗时仅三十多秒。

基于数据仓库的星系光谱分类

大天区面积多目标光纤光谱天文望远镜(LAMOST)将被建成,会产生大量的星系光谱数据。根据天文数据的积累过程,我们设计基于数据仓库的星系光谱分类系统。文章首先介绍了星系光谱的特征,数据仓库的特点,在此基础上描述了建立基于数据仓库的星系光谱自动分类系统的步骤,并给出对该系统进行测试的结果。

交叉验证的BP神经网络恒星光谱分类

LAMOST作为国家重大科学工程项目,目前在世界上对光谱的观测、获取率最高,为天文学的研究与发展提供大量的数据和信息资源.根据LAMOST发布的恒星光谱数据文件,从中提取出关于恒星光谱波长的数据信息,对数据进行噪声剔除、数据降维、数据规范化、数据降维处理.利用BP神经网络算法对数据进行分类处理,根据分类结果正确率来判断BP神经网络模型的优劣.但是BP神经网络对测试集数据的测试效果并不代表对其他数据具有同样的测试效果而且易产生过拟合,所以采用交叉验证与BP神经网络相结合的方法,BP神经网络算法可对多组不同的数据进行测试,得到多组测试结果并求得平均值,可得到BP神经网络模型相对稳定的测试结果并降低结果的随机性.