基于胶囊网络的恒星光谱分类研究

大型巡天项目的快速发展,产生大量的恒星光谱数据,也使得实现恒星光谱数据的自动分类成为一项具有挑战性的工作.提出一种新的基于胶囊网络的恒星光谱分类方法,首先利用1维卷积网络和短时傅里叶变换将来源于LAMOST(Large Sky Area Multi-Object Fiber Spectroscopy Telescope)Data Release 5(DR5)的F5、G5、K5型1维恒星光谱转化成2维傅里叶谱图像,再通过胶囊网络对2维谱图像进行自动分类.由于胶囊网络具有保留图像中实体之间的分层位姿关系和无需池化层的优点,实验结果表明:胶囊网络具有较好的分类性能,对于F5、G5、K5型恒星光谱的分类,准确率优于其他分类方法.     

一种新的基于2维傅里叶谱图像的恒星光谱特征提取方法和深度网络分类应用

天体光谱分类是天文学研究的重要内容之一,其关键是从光谱数据中选择和提取对分类识别最有效的特征构建特征空间.提出一种新的基于2维傅里叶谱图像的特征提取方法,并应用于LAMOST (the Large Sky Area Multi-Object Fiber Spectroscopic Telescope)恒星光谱数据的分类研究中.光谱数据来源于LAMOST Data Release 5(DR5),选取30000条F、 G和K型星光谱数据,利用短时傅里叶变换(Short-Time Fourier Transform, STFT)将1维光谱数据变换成2维傅里叶谱图像,对得到的2维傅里叶谱图像采用深度卷积网络模型进行分类,得到的分类准确率是92.90%.实验结果表明通过对LAMOST恒星光谱数据进行STFT可得到光谱的2维傅里叶谱图像,谱图像构成了新的光谱数据特征和特征空间,新的特征对于光谱数据分类是有效的.此方法是对光谱分类的一种全新尝试,对海量天体光谱的分类和挖掘处理有一定的开创意义.     

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.     

基于Stacking集成学习的恒星/星系分类研究附视频

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.     

低分辨率恒星光谱的 α/Fe 估计方法研究

研究了低分辨率恒星光谱的[α/Fe]估计问题.所给方案包括以下3个步骤:首先,使用Haar小波对原始光谱进行四级分解,去除高频成分,以抑制高频噪声干扰;然后,基于光谱数据成分与[α/Fe]的相关性和LASSO(Least Absolute Shrinkage and Selection Operator)算法选择光谱特征;最后,基于MARCS恒星光谱库和多元线性回归方法对[α/Fe]进行测量.并使用ELODIE、SDSS(Sloan Digital Sky Survey)、LAMOST(Large Sky Area Multi-Object Fibre Spectroscopic Telescope)和4个星团的低分辨率恒星光谱数据验证了方法的有效性.在317个ELODIE光谱样本、412个SDSS光谱样本和1276个LAMOST光谱样本(信噪比SNRG大于20)上的(系统偏差,精度)分别为(0.04dex,0.064 dex)、(0.16 dex,0.065 dex)和(0.05 dex,0.062 dex).在球状星团M13、M15以及疏散星团NGC2420、M67上的估计结果与文献值基本一致.     

多任务Lasso回归法在恒星光谱物理参量估计中的应用

多任务学习方法在机器学习、计算机视觉、人工智能领域已得到广泛关注,利用任务间的相关性,将多个任务同时学习的效果优于每个任务单独学习的情况.采用多任务Lasso回归法(Multi-task Lasso Regression)用于恒星光谱物理参量的估计,不仅可以获取不同物理参量间的共同的特征信息,而且也可以很好地保留不同物理参量的特有的补充信息.使用恒星大气模拟模型合成光谱库ELODIE中的光谱数据和美国大型巡天项目Sloan发布的SDSS实测光谱数据进行实验,模型估算精度优于相关文献中的方法,特别是对重力加速度(lg g)和化学丰度([Fe/H])的估计.实验中通过改变光谱的分辨率,施加不同信噪比(SNR)的噪声,来说明模型的稳定性强.结果表明,模型精度受光谱分辨率和噪声的影响,但噪声对其影响更大,可见,多任务Lasso回归法不仅操作简便,稳定性强,而且也提高了模型的整体预测精度.     

COSMOS场中星系恒星形成的演化研究

基于COSMOS(Cosmic Evolution Survey)/Ultra VISTA(Ultra-deep Visible and Infrared Survey Telescope for Astronomy)场中多波段测光数据,利用质量限选取了红移分布在0z3.5的星系样本.通过UVJ(U-V和V-J)双色图分类判据将星系分类成恒星形成星系(SFGs)和宁静星系(QGs).对于红移分布在0z1.5范围内且M*1011M⊙的QGs来说,该星系在样本中所占比例高于70%.在红移0z3.5范围内,恒星形成星系的恒星形成率(SFR)与恒星质量(M*)之间有着很强的主序(MS)关系.对于某一固定的恒星质量M*来说,星系的SFR和比恒星形成率(s SFR)会随着红移增大而增大,这表明在高红移处恒星形成星系更加活跃,有激烈的恒星形成.相对于低质量的星系来说,高质量的SFGs有较低的s SFR,这意味着低质量星系的增长更多的是通过星系本身的恒星形成.通过结合来自文献中数据点信息,发现更高红移(2z8)星系的s SFR随红移的演化趋势变弱,其演化关系是s SFR∝(1+z)0.94±0.17.     

基于深度学习的LAMOST星系星族参数测量

星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型.     

星系中恒星形成率指针的比较研究

利用赫歇尔空间望远镜的H-ATLAS(Herschel Astrophysical Terahertz Large Area Survey)SDP(Science Demonstration Phase)天区从紫外到亚毫米波段数据,结合星族合成方法和尘埃模型,计算了星系的红外总光度.在此基础上,分别针对强恒星形成星系和弱恒星形成星系,研究了利用紫外光度、红外光度和Hα谱线计算得到的恒星形成率(Star Formation Rate,SFR)的差异以及导致差异的内在物理起因.发现对于恒星形成活动强的星系,这3种恒星形成率指针给出的结果基本一致,弥散较小、只是在高恒星形成率端,利用紫外光度算得的恒星形成率比利用Hα谱线流量算得的恒星形成率略微偏小;而在低恒星形成率端,紫外光度指针偏大于Hα谱线指针;红外光度指针与Hα谱线指针在两端无明显偏差.对弱恒星形成星系,紫外光度、Hα谱线和红外光度3种恒星形成率指针存在明显的差异,且弥散较大.利用紫外光度和Hα谱线计算得到的恒星形成率的弥散和系统偏差随着星系年龄、质量的增加而增大.系统偏差增大的主要原因是利用紫外连续谱斜率β定标恒星形成活动较弱星系的消光时,高估了这些星系的紫外消光,使得消光改正后的紫外光度偏大.另外,MPA/JHU(Max Planck Institute for Astrophysics/Johns Hopkins University)数据库中弱恒星形成星系的恒星形成率SFR(Hα)比真实值偏低.     

基于卷积神经网络的快速射电暴候选体分类

针对目前从海量的快速射电暴(Fast Radio Burst, FRB)候选体中人工筛选FRB事件难以为继的现状,提出了一种基于卷积神经网络(Convolutional Neural Networks, CNN)的FRB候选体分类方法.首先,通过真实的观测数据和仿真FRB组成训练和测试样本集.其次,建立了二输入的深度卷积神经网络模型,并对其进行训练、测试和优化,获取FRB候选体分类器.最后,利用来自脉冲星的单脉冲数据对该分类器的有效性和性能进行了验证.实验结果表明,该方法可以快速从大量候选体中准确识别出单脉冲事件,极大地提高了FRB候选体的处理速率和效率.     

主序星的Ⅴ波段经验质光关系

恒星质量是恒星物理以及恒星系统动力学研究中一个不可或缺的参量.双星轨道拟合是获取恒星(动力学)质量的最可靠途径,而绝大部分恒星的质量仍然需要通过恒星质光关系来估计,因此,通过拟合恒星动力学质量和光度数据得到经验质光关系的工作具有重要意义.尽管主序星的Ⅴ波段质光关系由于金属丰度的影响而具有一定的弥散性,但有研究表明这种影响主要限于恒星质量小于 0.6M_⊙的情况.对于较大质量的主序星,近年来的观测拟合研究积累了比较充分的动力学质量和Ⅴ波段光度数据,从而为显著改进上述质光关系提供了可能.利用一个能合理分配两个不同量纲观测量权重的拟合方法,根据 203 颗恒星的动力学质量和光度数据给出了主序星的Ⅴ波段经验质光关系,该结果对此前结果的改进不仅具有统计显著性,而且其对恒星质量估计的相对误差已达到约 5%.因此,该结果不仅可以用于开展有关恒星物理或恒星系统动力学方面的统计性研究,而且对具体实际多星系统的长期动力学研究和短期定位研究等也有应用价值.     

Automated classification of stellar spectra — II. Two-dimensional classification with neural networks and principal components analysis

We investigate the application of neural networks to the automation of MK spectral classification. The data set for this project consists of a set of over 5000 optical (3800–5200 Å) spectra obtained from objective prism plates from the Michigan Spectral Survey. These spectra, along with their two-dimensional MK classifications listed in the Michigan Henry Draper Catalogue, were used to develop supervised neural network classifiers. We show that neural networks can give accurate spectral type classifications (σ₆₈= 0.82 subtypes, σ_rms= 1.09 subtypes) across the full range of spectral types present in the data set (B2–M7). We show also that the networks yield correct luminosity classes for over 95 per cent of both dwarfs and giants with a high degree of confidence.   Stellar spectra generally contain a large amount of redundant information. We investigate the application of principal components analysis (PCA) to the optimal compression of spectra. We show that PCA can compress the spectra by a factor of over 30 while retaining essentially all of the useful information in the data set. Furthermore, it is shown that this compression optimally removes noise and can be used to identify unusual spectra.   This paper is a continuation of the work carried out by von Hippel et al. (Paper I).     

Statistical biases in stellar astronomy: the Malmquist bias revisited

A unified analytical treatment of the Malmquist bias is presented. Depending on the data under consideration and on the way the mean values of absolute magnitude are calculated, three different types of Malmquist bias appear: integral bias, and magnitude- and distance-dependent ones. An analytical consideration of the distance-dependent bias, previously studied in extragalactic astronomy, is given in terms of the trigonometric parallax. In a quantitative treatment of the Spaenhauer diagram, in which the derived absolute magnitude is plotted versus the true parallax, we developed an easy-to-use method for determination of the region unaffected by the bias ('unbiased plateau'). Considering spectroscopic distance indicators, we point out that for any magnitude-limited sample spectroscopic distance and parallax approach constant limits as the true distance increases. We draw some examples from luminosity calibrations of stellar classes. A brief outline is also given of a tentative course of investigations, anticipating future space astrometry missions.