星系形态分类的研究进展

传统的哈勃星系形态分类法可以很好地对近邻的亮星系进行分类,但对低面亮度星系、矮椭球星系、矮旋涡星系以及高红移星系等都已无能为力。德沃古勒分类系统、叶凯士分类系统和范登伯分类系统是在哈勃分类法的基础上进行了发展和细化,利用光的中心聚集度或光度级等作为星系形态分类的参数。模型化分类系统试图定量地测量星系形态参数,但需要假定星系面亮度分布满足一定的形式,如r~(1/4)律、指数律等。最近几年,又有一些学者提出了非模型化分类系统,给出了若干个可以直接测量星系形态的结构参数,如:聚集度指数C、非对称指数A、簇聚指数S、基尼系数G及矩指数M_(20)。这些参数可以反映星系的形成历史、恒星形成、与其他星系的相互作用、已经发生或正在进行的并合活动等。它们不仅可以有效地给出近邻星系的分类特性,还能用于测量高红移星系的形态。该文介绍了不同的星系形态分类方法,比较了各类方法的优点和不足。在此基础上,最后介绍了基于非模型化分类系统的星系形态分类的研究进展。     

二个新观测到的红外选赛弗特星系

根据２５μｍ和６０μｍ间的红外谱指数及６０μｍ和１００μｍ的相对流量选择了６个天体，在１９９４年９月９日至１１日期间，利用北京天台２．１６ｍ望远镜观测了它们的光谱，经处理后，发现了一个新的Ｓｅｙｆｅｒｔ ２和一个Ｓｅｙｆｅｒｔ３星系，另外还有一个ＨＩＩ星系。     

基于K近邻方法的窄线与宽线活动星系核的自动光谱分类

对于美国芝加哥大学等6个组织的斯隆数字化巡天观测(SDSS)的一批低红移活动星系核(AGN)光谱数据,针对宽线AGNs和窄线AGNs发射线的不同特征,在静止系的光谱上截取有效波段范围,采用自动分类的K近邻方法,对其进行分类．宽线和窄线AGNs光谱的主要区别在于Hβ、[OⅢ]、Ha和[NⅡ]等发射线的幅度和半高全宽(FWHM)的大小,所以截取这些发射线所在的波段进行单独或组合的分类实验,实验证明,单独采用以Hα和[NⅡ]发射线为主的波段,分类效果最好,且对于训练样本数和测试样本数分别为1000和3313条的AGNs光谱的单次分类速度可达32．89秒．在充分利用光谱的典型特征的情况下,自动分类方法也可有效地应用于活动星系核的分类,为传统的通过计算发射线的FWHM值或发射线强比对大型光谱巡天所产生的庞大数据库进行分类提供了一种快速直接的分类方法．     

基于EfficientNet的星系形态分类研究

星系的结构和形态能够反映星系自身的物理性质,其形态的分类是后续分析研究的一个重要环节.EfficientNet模型使用复合系数对深度网络模型的深度、宽度、输入图像分辨率进行更加结构化的统一缩放,是一种新的深度网络优化扩展方法.将该模型应用于星系数据形态的分类研究中,结果表明基于EfficientNetB5模型的平均准确率、精确率、召回率以及F1分数(精确率与召回率的调和平均数)都在96.6%以上,与残差网络(Residual network, ResNet)中ResNet-26模型的分类结果相比有较大的提升.实验结果证明EfficientNet的深度网络优化扩展方法可行且有效,可应用于星系的形态分类.     

二个新观测到的红外选赛弗特星系

根据２５μｍ和６０μｍ间的红外谱指数及６０μｍ和１００μｍ的相对流量选择了６个天体，在１９９４年９月９日至１１日期间，利用北京天文台２．１６ｍ望远镜观测了它们的光谱。经处理后，发现了一个新的Ｓｅｙｆｅｒｔ２和一个Ｓｅｙｆｅｒｔ３星系，另外还有一个ＨＩＩ星系。     

基于FPN-ViT的星系形态分类研究

随着人工智能技术的发展, 利用深度学习方法进行星系形态分类研究取得了较大进展, 但在分类精度、自动化及其星系的空间特征表示上仍然存在不足之处. Vision Transformer (ViT)模型目前在星系形态分类上具有较好的鲁棒性, 但是在处理多尺度图像时存在一定的局限性, 因此提出将特征金字塔(Feature Pyramid Networks, FPN)引入ViT模型(FPN-ViT)中进行星系形态的分类研究中. 结果表明: 基于FPN-ViT模型进行星系形态分类的平均准确率、精确率、召回率以及F1分数等各项评估指标均在95%以上, 与传统的ViT模型相比各项指标均有一定程度的提升. 同时, 在原始星系图像中加入不同程度的高斯噪声和椒盐噪声, 验证FPN-ViT模型对低信噪比数据也能获得较好的分类性能. 此外, 为了对模型进行综合评估, 采用t分布随机邻接嵌入(t-distributed Stohastic Neighbor Embedding, t-SNE)算法对分类结果进行了可视化分析, 能够更加直接地看出FPN-ViT模型对于星系形态分类的效果. 因此, 将FPN网络应用于ViT模型对星系形态的分类研究中是一种全新尝试, 对后续研究具有重要意义.     

基于SE-Inception-v3的星系形态分类模型

随着天文探测技术的快速发展, 海量的星系图像数据不断产生, 能够及时高效地对星系图像进行形态分类对研究星系的形成与演化至关重要. 针对传统的星系形态分类模型特征选择困难、分类速度慢、准确率受限等难题, 提出一种以Inception-v3神经网络为主干结构, 融合压缩激励(Squeeze and Excitation Network, SE)通道注意力机制的星系形态分类模型. 该模型在斯隆数字巡天(Sloan Digital Sky Survey, SDSS)样本的测试集准确率高达99.37%. 旋涡星系、圆形星系、中间星系、雪茄状星系与侧向星系的F1值分别为99.33%、99.58%、99.33%、99.41%与99.16%. 该模型与Inception-v3、MobileNet (Mobile Neural Network)和ResNet (Residual Neural Network)网络模型相比, SE-Inception-v3宽度和深度优势表现出更强的特征提取能力, 可以高效识别不同形态的星系, 为未来大型巡天计划的大规模星系形态分类问题提供了一种新方法.     

起因于星系并合的双星系的自旋相关性

Ｈｅｌｏｕ将双星系中的自旋方向的统计研究方法用到星系形成过程中,发现旋涡星系的自旋是反相关的,由此联想到在由星系并合过程中自旋对轨道倾角的依赖性。将Ａａｒｓｅｔｈ的标准Ｎ体模拟程序加上动力摩擦,形成一个研究星系并合的Ｎ体模拟程序,用来研究小星系群中星系的自旋和轨道倾角的依赖性．结果表明,在小星系群中,的确存在着类似在涡星系中的自旋和轨道倾角的反相关性．     

光谱预处理及其对星系/类星体分类结果的影响

由于噪声、畸变和观测环境等因素的影响,在天体光谱自动处理之前,需要对它进行相应的预处理.研究巡天光谱的预处理(数据格式和流量标准化)对光谱自动分析的影响.分析了同数据格式对光谱及其谱线特征的影响和格式标准化研究的必要性;通过分析光谱流量数量级的不确定性及其特点,提出了流量数量级变化的基本模型,并给出了相应的标准化方法.通过星系和类星体的分类实验,结果表明:1)采用对数波长数据格式对光谱的自动分类更有利;2)验证了所提出的流量标准化模型的合理性,以及所给流量标准化方法良好的性能.特别需要指出的是,文献中通常采用的流量标准化方法在光谱自动分类中的效果反而是较差的.     

星系分类漫谈

星系天文学主要研究星系的形成与演化、内部的结构与运动以及外部的环境影响等内容。最近的二十多年,随着空间及地面上越来越多的大镜面望远镜投入使用,使得我们对河外星豕的认识有了飞速的发展。和任何学科一样,只有做到很好的分门别类才能进一步研究客体的物理性质。因此,星系多濮也就是整个星系天文学的基础。虽然不同的天文学家创立的形态分类系统有很多,但是现在最常用的依然是哈勃创立的分类系统。下面,我们将会对其做一个粗略的介绍。     

Spectral Preprocessing and Its Effect on Galaxy/Quasar Classification

Because of the effects of noise, distortion, observational environment and other factors, some appropriate preprocessing should be made in advance of automatic classification of celestial spectra. We have studied the effect of data format and flux standardization on the automatic classification of sky survey spectra. A basic model adaptable for the order-of-magnitude variation of fluxes is proposed, and the corresponding standardization methods are given. Our experimental results on galaxy and quasar classification show that the logarithmic wavelength data format is better for the automatic spectral classification. By these experiments, the reasonableness of the proposed model and the performances of the given flux standardization methods are verified. Especially, it is noted that the commonly used flux standardization is the worst, among other standardizations, for automatic spectral classification.     

LAMOST/GALAXY计划:利用LAMOST研究银河系

本文讨论了利用LAMOST作银河系研究的科学意义及可能性；并提出具体实施LAMOST/GAIAXY计划的初步方案。     

基于MYSQL/LINUX 的LAMOST数据库设计与实现

大天区面积多目标光纤光谱天文望远镜（LAMOST）将被建成，在投入使用之前设计开发出全自动处理光谱的软件系统是必需的。完善的数据库系统是该光谱处理软件不可缺少的一部分。本文分析了LAMOST对数据库的需求，设计并实现了基于MYSQL／LINUX的LAMOST数据库系统并对该系统进行了初步测试。     

Research on Star/Galaxy Classification Based on Stacking Ensemble Learning

Machine learning has achieved great success in many areas today, but the forecast effect of machine learning often depends on the specific problem. An ensemble learning forecasts results by combining multiple base classifiers. Therefore, its ability to adapt to various scenarios is strong, and the classification accuracy is high. In response to the low classification accuracy of the darkest source magnitude set of stars/galaxies in the Sloan Digital Sky Survey (SDSS), a star/galaxy classification algorithm based on the stacking ensemble learning is proposed in this paper. The complete photometric data set is obtained from the SDSS Data Release (DR) 7, and divided into the bright source magnitude set, dark source magnitude set, and darkest source magnitude set according to the stellar magnitude. Firstly, the 10-fold nested cross-validation method is used for the darkest source magnitude set, then the Support Vector Machine (SVM), Random Forest (RF), and eXtreme Gradient Boosting (XGBoost) algorithms are used to establish the base-classifier model; the Gradient Boosting Decision Tree (GBDT) is used as the meta-classifier model. Finally, based on the classification accuracy of galaxies and other indicators, the classification results are analyzed and compared with the results obtained by the Function Tree (FT), SVM, RF, GBDT, Stacked Denoising Autoencoders (SDAE), Deep Belief Nets (DBN), and Deep Perception Decision Tree (DPDT) models. The experimental results show that the stacking ensemble learning model has improved the classification accuracy of galaxies in the darkest source magnitude set by nearly 10% compared to the function tree algorithm. Compared with other traditional machine learning algorithm, stronger lifting algorithm, and deep learning algorithm, the stacking ensemble learning model also has different degrees of improvement.     

基于Stacking集成学习的恒星/星系分类研究

机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey,SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7(SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、XGBoost(eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree,GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree,FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders,SDAE)、深度置信网络(Deep Belief Network,DBN)、深度感知决策树(Deep Perception Decision Tree,DPDT)等模型进行分类结果对比分析.实验结果表明,Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比,Stacking集成学习模型也有较大的提升.