基于LASSO算法的恒星α元素丰度估计方法研究

主要研究了一种新的基于LASSO算法的恒星α元素丰度估计方法。海量恒星的α元素(O, Mg, Si, Ca 和Ti)丰度信息将有助于我们了解银河系的演化进程。但目前从中低分辨率光谱中确定α元素丰度的方法主要是模板匹配法,但该方法算法复杂,优化参数较为困难且对噪声敏感,因此有必要研究新的方法。实验结果显示,LASSO算法对ELODIE光谱的α丰度的估计精度为0.003(0.078)dex。为验证光谱分辨率变化对LASSO算法结果的影响,我们首先用ELODIE光谱通过高斯卷积得到了分辨率为42 000, 21 000, 10 500, 4 200和2 100的光谱,然后使用LASSO算法估计α元素丰度,精度分别为0.003 3(0.078)dex,-0.05(0.059)dex,-0.007(0.060)dex,0.008 0(0.069)dex和-0.004 5(0.067)dex。上述结果证明LASSO算法对分辨率变化不敏感。为验证LASSO算法对信噪比变化的鲁棒性,使用ELODIE光谱分别构造了信噪比为30, 25, 20, 15和5的光谱。LASSO算法在上述数据集上的精度分别为-0.002(0.076)dex, -0.09(0.073)dex, 0.003 6(0.075)dex, 0.007 6(0.078)dex 和-0.009(0.08)dex,因而LASSO算法对信噪比变化不敏感。因此,LASSO算法适用于低分辨率低信噪比的LAMOST和SDSS光谱。LASSO算法在SDSS光谱上的估计精度为0.003 7(0.097)dex,而在球状星团和疏散星团成员星上的结果显示LASSO算法给出的丰度与文献给出α丰度值误差在1σ以内。因此,LASSO算法能够用于估计恒星的α元素丰度。     

一种基于Ca线线指数回归的恒星大气金属丰度估计方法

提出一种基于BP神经网络及Ca线线指数估计恒星大气金属丰度的方法。该方法以从斯隆数字巡天SDSS中恒星光谱以及SSPP给出的参数作为训练样本,其中每条恒星光谱计算16个Ca线线指数,结合其他方法得到的表面有效温度Teff作为输入, 以SSPP得到的金属丰度[Fe/H]作为输出,对训练样本进行重采样后通过训练得到一个人工神经网络,通过该网络可以用来预测恒星光谱的[Fe/H]。通过相关实验表明,提出的方法能够准确而且有效的测量出恒星光谱的[Fe/H]。     

近太阳17颗年轻恒星锂丰度: 丽江1.8 m望远镜高色散光谱观测

应用中国科学院云南天文台丽江天文观测站1.8 m望远镜及其折轴光谱仪,对18颗近太阳样本恒星进行了高色散光谱观测,获得这些恒星高质量的高色散光谱。表明原中国科学院国家天文台兴隆观测站2.16 m折轴光谱仪搬迁、改造获得成功,达到并超过了预期的效果。以丽江天文观测站1.8 m望远镜及其折轴光谱仪观测获得的高质量的高色散光谱为基础,应用高斯拟合方法测量了样本中17颗年轻类太阳恒星锂吸收线的等值宽度,并计算了锂元素丰度。应用Hall给出的经验公式,计算了这些年轻恒星的Ca ⅡΗ和Κ(λ=395.0 nm)辐射强度。讨论了锂元素丰度和表明恒星色球活动的Ca H和K线辐射强度之间的关系。发现锂元素丰度值高的年轻恒星,其Ca H和K线辐射更强。考虑到恒星自转速度随恒星年龄的变化,小质量主序前恒星随着恒星年龄的增加,自转明显的加快;主序恒星随着恒星年龄的增加,自转逐渐变慢。我们的结果支持恒星自转越快,其活动性也就越强,以及色球活动较强的恒星具有高的锂元素丰度值。     

基于XGBOOST的恒星光谱分类特征数值化

恒星光谱分类是研究恒星的基础性工作之一,常用的光谱分类是基于20世纪70年代Morgan和Keenan建立起来的并逐步完善的MK分类系统。然而基于MK规则的交互式决策分类系统对处理海量天文光谱数据存在着一定的困难。目前光谱巡天一般采用的自动化分类则是模版匹配方法而忽略对谱线特征的测量。怎样自动、客观地提取海量光谱中的分类特征并应用这些特征进行分类可以对天体的物理化学性质的统计分析至关重要。针对此问题,通过机器学习和计算光谱的谱线指数结合的方法,提取光谱特征,并通过大数据分析定量地确定对光谱特征谱线的分类判据（数值化）,确定每一类光谱具有物理意义的特征谱线的强度分布。首先对LAMOST DR4恒星光谱测量其谱线指数作为输入,光谱的分类标记采用官方发布的分类结果。使用XGBoost算法进行自动分类及特征排序,从而获得已知或未知的对于分类决策最为敏感的谱线。首先,选取高信噪比（S/N>30）、被LAMOST标记为B,A,F和M的恒星光谱数据,总计约414万个。然后,对光谱数据计算谱线指数从而使其得到降维处理,过滤冗余信息。其次,将处理后的恒星光谱数据随机划分为训练集和测试集,通过适当调整算法参数,用训练集得到所需要的分类决策树模型,用测试集测试其稳定性和可用性,以防止出现过拟合,同时使用算法自带函数进行提取分类特征。最后,输出并整理实验中算法所得的决策树模型,并挑选其概率比较大的分支作为最终的决策树模型。通过实验,可以发现在固定参数下,XGBoost所得的模型有一定的自适应性,较少受数据集影响,总体准确率可达88.5%;同时其所输出的分类决策树与已知的特征较为吻合,而且可以获得基于大数据的、数值化的特征谱线对应分类的范围,为完善基于特征的分类提供定量的规则。     

基于网格聚类分析LAMOST恒星光谱与理论模型的差异

随着天文大数据时代计算科学的蓬勃发展,我国具备自主知识产权的国际天文界口径最大、光谱获取率最高的大视场望远镜LAMOST,已率先在国际上开拓并实现了同时观测几千个天体光谱的大规模巡天工作。自2011年巡天至2015年6月所获得的DR3光谱数据集目前已获取世界上最大的恒星参数星表。针对LAMOST第三期发布FGK恒星光谱的流量定标等相关数据,利用Kurucz模板光谱对应的参数空间划分网格,基于开源高效的数据处理R语言程序软件平台,设计了有监督的聚类中心,便于验证其理论参数网格的差异。处理LAMOST实测光谱经归一化后,选择距离量直接描述属性,采用欧氏距离分析判别光谱之间的相似度,选取相应的属性向量构造函数判断观测光谱和理论光谱差别的量级。实验表明：比对LAMOST实测FGK型恒星光谱数据与Kurucz理论模板库数据一致性以及参数测量的准确性,结果显示相同参数的光谱间特征谱线具有较好的一致性,从而得出LAMOST光谱测量物理参数质量较高,具备极好的可靠性,为后续恒星大气模型的改进提供相应的论证依据。     

自动识别发射线恒星光谱的新方法

恒星光谱一般具有明显的吸收线或者吸收带特征,而具有发射线的恒星光谱对应着特殊类型的恒星,如激变变星、Herbig Ae/Be等。对这些光谱的后续研究有着重要的意义。本文提出了一种能够自动识别发射线恒星光谱的方法。该方法首先对光谱进行连续谱归一化,然后通过比较谱线对应的流量及其邻域流量的均值和标准差,来判断是否存在发射线。对SDSS DR8大样本数据的实验表明,该方法能够完整、准确地识别发射线恒星。而且,由于该方法不涉及复杂的变换和运算,因而识别速度非常快,可用于诸如LAMOST和SDSS这样大型光谱巡天项目中发现发射线恒星光谱。     

恒星光谱参数自动测量中不同模板匹配度量方法比较

模板匹配方法是恒星光谱参数自动测量中常用的方法之一。对经常使用的三种模板匹配算法：K-最近邻算法(KNN)、卡方最小化算法和光谱相似度算法测量恒星光谱参数结果进行比较。首先对光谱进行连续谱归一化及流量归一化,然后对三种算法测量恒星光谱参数的结果进行比较。对SDSS DR8大样本数据的实验表明,光谱相似度算法在测量恒星光谱参数中有相对优势。     

铷光谱灯的光谱研究

Rb光谱灯是Rb原子频标的重要部件。Rb光谱灯发出的光含有两种成分,一种是对原子跃迁信号有贡献的有效光成分,一种是仅体现为光噪声的无效光成分。尽可能地增强Rb光谱灯有效光成分并抑制无效光成分,对于提高Rb原子频标锁频环路的信噪比从而改善Rb原子频标的频率稳定度具有重要意义。利用单色仪获得了分别充有起辉气体Ar, Kr和Xe的三种常用Rb光谱灯的光谱,分析了三种Rb光谱灯的光谱特性,讨论了如何提高有效光强和抑制无效光强的问题。实验和分析结果表明,Rb光谱灯有效光强与所用起辉气体的种类和灯泡的工作温度密切相关。灯泡工作温度较低时,Xe灯有用光强最大,Kr灯次之,Ar灯最低;当灯泡工作温度较高时,Xe灯有用光强仍最大,Ar灯次之,Kr灯最低。分析还表明,采用合适的光学滤光方法可以有效地滤除Rb光谱灯的无效光成分。     

激光诱导击穿光谱元素谱线自动识别方法研究

根据激光诱导击穿光谱谱线展宽机制,对NIST标准谱线数据库中的发射谱线进行了模拟,并与实验光谱进行对比,在对比分析中引入相似性测度,得到模拟光谱和实验光谱的相似程度。对元素谱线的自动归属识别方法进行分析和研究,通过相似性计算对土壤样品340～345nm波段光谱进行了识别分析,利用最小二乘原理计算各谱线之间的比例系数,实现了光谱识别,实验结果验证了基于相似性测度的光谱识别方法的可行性及其自动识别的优越性。     

基于光谱特征的恒星自动识别方法

我国正在实施的大型巡天项目(LAMOST项目),急需恒星光谱自动识别与分类系统并给出了一种基于光谱特征的恒星自动识别方法。该方法由以下主要步骤组成： (1)利用谱线小波特征进行恒星谱线整体估计和恒星Balmer线的检测;(2)利用吸收带小波特征进行吸收带位置和M型星特征频率检测;(3)根据以上检测结果进行发射线星、M型星和早型恒星识别。通过对(sloan digital sky survey, SDSS)(data release four, DR4)中的大量真实光谱数据实验表明,方法具有对噪声鲁棒等特点,发射线星识别率达到97.5%,M型星识别率达到98.1%,早型恒星识别率达到96.8%,类星体和星系的误识别率低于2%。该方法可对相对定标的巡天光谱进行自动识别,符合LAMOST数据的要求。     

应用遗传算法拟合偏振X射线荧光重叠谱

X射线荧光光谱分析由于受能量探测器分辨率的限制,谱线重叠干扰严重。不采用合适的重叠谱峰分解或曲线拟合技术,很难进行成分定性和定量分析。样品中的元素及谱线未知、背景基线不确定和模型初始参数不准确是曲线拟合中的最大困难。有多种算法可应用于光谱分析中的曲线拟合。文章将遗传算法应用于永磁材料偏振X射线荧光中的重叠谱分解,研究了进化策略对谱峰分解质量的影响,比较了遗传算法与传统算法的拟合结果。研究表明遗传算法在谱线严重重叠情况下仍具有较强的谱峰分解能力;群体初始化和进化策略的正确选择是该算法成功应用的关键;遗传算法具有全局搜索能力,对重叠谱峰的分辨能力优于标准Marquardt-Levenberg算法。     

LAMOST星系光谱的红移自动测量

自动测量LAMOST望远镜所产生的大量星系光谱红移,是LAMOST望远镜数据处理的关键。PCAZ的红移自动测量方法,只适用于红移值较小(一般情况不超过z＜0.2)的情况,其原因是受到所应用构建正交模板的光谱模板范围的限制。文章突破了这一限制,针对LAMOST将产生的光谱的特点,作者改进了这套方法。应用该方法到具体的观测数据中,得到了准确率超过90%的红移值。该方法的红移测量极限依赖于模板的波长范围和待测光谱蓝端的信噪比,按照LAMOST的初步设计,对z＜0.8红移,可进行准确测量。经过测量, 得出结论：(1)该方法适用于LAMOST的星系红移测量;(2)为实现巡天红移的测量,需要构造完备的不同星系的光谱模版(UV-IR);(3)蓝端信噪比大小影响对大红移的测量。     

基于ELM和可见/近红外光谱的鲜枣动态分类检测

枣营养丰富且品种繁多,不同品种的内外部品质与市场价格均存在差异,为了实现鲜枣品种分类的快速无损检测,以产自同一地区的板枣、鸡心枣和相枣为研究对象,动态采集光谱数据。采用移动平滑(moving smoothing)与多元散射校正(multiplicative scatter correction, MSC)相结合的方法预处理光谱数据,对预处理后的光谱数据采用连续投影算法(successive projections algorithm, SPA)提取出11个特征波长分别为：980, 1 860, 1 341, 1 386, 2 096, 1 831, 1 910, 1 628, 441, 768, 601 nm,其重要程度依次递减。以所提取的特征波长作为输入变量,建立极限学习机(extreme learning machine,ELM)分类模型,进行预测判别,并与偏最小二乘判别分析(partial least squares discriminant analysis, PLS-DA)和最小二乘支持向量机(least squares support vector machines, LS-SVM)方法进行比较。结果表明：SPA-ELM方法所建校正模型的决定系数R2=0.972 38,校正均方根误差RMESC=0.018 724,SPA-ELM方法与SPA-PLS-DA和SPA-LS-SVM方法判别准确率均为100%,说明ELM是一种有效的分类判别方法。该研究为鲜枣品种分类检测提供了新的理论基础。     

基于DS算法的玉米近红外定性分析光谱校正方法研究

从校正的角度出发,研究了近红外定性分析中模型稳定性问题。以13个玉米品种为研究对象,针对数据采集时间不同带来的模型失效问题,借鉴近红外光谱定量分析中两台仪器间模型传递的思想,将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型,能用于其余时间测试数据的鉴别。首先采用Kennard/Stone算法在主光谱集中选取校正样品集,按照对应的编号从从光谱集中取出对应的数据,然后对校正样品集采用DS算法求取两组数据间的变换关系,再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。实验中对比了校正样本数和模型校正位置对校正结果的影响,分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。结果表明,该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象,对采样时间不同的测试集均得到较高的识别率,提高了模型的鲁棒性和适用范围,由实验结果可见,校正位置处于特征提取之后时,校正效果最佳。     

不同光谱型的低分辨率恒星光谱在不同信噪比条件下视向速度测量精度的分析

恒星的视向速度对于研究银河系的演化结构和动力学有很重要的意义,同时也是寻找变源和特殊天体的一种手段。不同的研究对其测量精度有不一样的要求。使用模板匹配的方法计算不同类型的低分辨率可见光波段恒星光谱的视向速度精度,从而为不同方面的科学研究提供有效可靠的参考。分别选取不同光谱型高信噪比的美国斯隆巡天恒星光谱,并加以噪声来模拟不同信噪比条件下的恒星光谱。通过分别计算这些恒星样本的视向速度,定量分析了各种类型的恒星在不同信噪比条件下能达到的视向速度测量精度。同时,还就白矮星的视向速度测量精度进行了分析。结果显示,对于相同信噪比的早型恒星的视向速度测量精度远没有晚型恒星的测量精度高,尤其是A型星的视向速度测量标准误差是K型星和M型星的5~8倍。分析其原因,主要是由于不同类型恒星的具有不同宽度的谱线所导致的。因此对于具有更宽谱线的白矮星光谱的视向速度测量误差更大,可达50 km·s-1。以上结论将为恒星科学研究提供很好的参考。     

光谱技术结合BiPLS-GA-SPA和ELM算法的生菜冠层氮素含量检测研究

氮素是影响生菜产量和品质的重要因素,光谱技术是检测作物氮素含量最有效的手段之一。通过获取不同氮素水平下生菜冠层的反射光谱,对其进行FDSGF（first-order derivative based savitzky-golay filt）滤波后,利用后向区间偏最小二乘算法（BiPLS）、遗传算法（GA）及连续投影算法（SPA）对特征波长进行梯度提取,最终从2 151个波长点中提取了8个与生菜氮素最为相关的特征波长。分别利用多元线性回归（MLR）、径向基函数神经网络（RBFNN）及极限学习机（ELM）三种算法建立了基于特征波段或特征波长的8个生菜冠层氮素含量检测模型。结果表明： BiPLS-GA-SPA-ELM模型（RMSEC=0.241 6%,R_c=0.934 6,RMSEP=0.284 2%,R_p=0.921 8）的预测结果优于其他模型,为指导合理施肥和开发便携式仪器提供了理论基础。     

微分谱结合独立成分分析对三维荧光重叠光谱的解析

多组分三维荧光重叠光谱是三维荧光光谱的数据解析中的难点之一。本文基于二维微分谱的计算原理, 充分利用三维荧光光谱具有激发光谱和发射光谱的特点, 获得了三维荧光光谱展开后的激发微分谱和发射微分谱. 之后利用独立成分分析对激发光谱或发射光谱的多组分混合微分谱分别进行解析, 得到了单一组分的激发微分谱和发射微分谱。其中三次样条插值有效的弥补了实测激发波长数据点少的缺点, 而粗糙惩罚平滑技术的引入则很大程度上减少了发射光谱的噪声,为微分谱的计算提供了有利的条件。单一组分的标准谱与解析谱的相似性系数的计算表明, 利用独立成分分析对微分谱进行解析更有利于多组分混合三维荧光光谱所含成分的识别。     

遗传算法用于傅里叶变换红外光谱的定量解析

本文利用遗传算法对混叠的傅里叶变换红外光谱图进行了定量的解析。文中分析了最多包含了十个组分的大气有毒有机物（苯，四氯化碳，氯苯，硝基苯，苯酚，甲苯，甲醇，邻甲酚，间甲酚和对甲酚）的混合谱图，建立了适当目标函数，使用了自适应变异技术，讨论了交叉和变异概率对结果的影响。结果证明遗传算法有着极好的非线性特征。在适当的条件下，结果的相对误差小于1％。