天文学上把亮度随时间变化的恒星称为变星。 它对于研究星系的距离, 恒星的演化以及恒星在不同阶段的性质具有非常重要的意义。 目前对变星的识别主要依靠长时间观测其亮度变化, 并结合对恒星的光谱进行分析才能最终完成认证。 这项工作需要天文学家投入大量时间, 难以开展大规模分类。 针对上述问题本文提出了一种将测光图像与一维光谱进行数据融合用于对变星进行分类的方法——光谱-测光融合网络(ASPF-Net)。 该网络由C1网络和C2网络两部分组成, 其中C1是用于提取光谱特征的一维卷积神经网络, C2是用于提取测光数据特征的二维卷积神经网络; 最后将两者提取到的特征进行融合, 用一个全连接前馈神经网络完成分类。 该研究在对食变星、 脉冲变星和标准星分类问题上进行了实验。 实验数据均来自于斯隆数字巡天项目(SDSS), 该项目包含了测光图像和光谱两种数据。 对于光谱数据本文选取波长在380.0 ～680.0 nm范围内的流量值。 测光图像由: u、 g、 r、 i和z共5个波段数据组成, 对应的中心波长分别为: 355.1、 468.6、 616.6、 748.0和893.2 nm。 相比于传统的利用其中三个波段合成RGB图像, 原始SDSS数据拥有更高的灰度等级。 为了方便网络训练, 对测光数据和光谱数据均做了标准化处理。 分类性能分析方面, 使用了精确率, 召回率, F1值和平均准确率四个指标进行评估。 提出的光谱-测光融合网络(ASPF-Net)在针对食双星、 脉冲变星和标准星的分类任务, 精确率分别为: 91.1%、 92.8%和98.2%。 实验证明, 数据融合之后的分类性能优于单独使用光谱数据或测光数据的分类性能。 说明将光谱数据和测光数据结合起来对变星进行分类是一种有效的方法, 这为今后的变星的分类提供了一种新的思路和方法。

天光背景扣除是LAMOST 1D光谱数据处理中重要的环节, 其扣除好坏直接影响光谱产品质量, 因此构造理想的超级天光光谱模型具有重要的意义。 通常超级天光是由与目标天体同时观测的天光光纤光谱构造而成, 同一区域的天光背景可能随着不同的观测时刻有着规律性的变化特征（如月相变化）, 如果能充分分析并利用这些特征, 可有效校正超级天光模型, 从而提高减天光效果。 轨迹聚类方法是一种分析目标随时、 空变化特征的有效工具, 针对LAMOST天光光谱中可能存在的变化规律, 给出一种基于轨迹聚类的天光光谱特征分析方法。 主要分以下三部分: 首先是天光光谱的时序化描述。 LAMOST pipeline采用且提供了每个观测天体的即时超级天光光谱, 为了获取特定天区背景天光的光变特征, 需选择天光光纤光谱以及扣除目标天体光谱的背景光谱, 以5°视场（LAMOST望远镜视场）为单位, 按观测日期MJD均匀分组, 从而对特定区域的天光光谱进行了时序化表征; 其次给出基于密度的天光光谱数据聚类算法STK-means。 为解决随机参数导致收敛及聚类效果不理想的问题, 在分析天光光谱时序数据特征的基础上, 给出基于密度的相似性度量公式, 并作为传统k-means聚类的初始参数选择依据, 从而给出基于密度的天光光谱数据聚类算法STK-means; 最后进行实验分析。 实验验证了该方法的正确性和有效性以及不同初始参数K值的选择对聚类结果的影响。 在此基础上, 利用STK-means聚类方法, 对LAMOST第一期巡天中一个完备小天区的天光光谱时序数据进行了轨迹特征分析, 结果表明, 除个别光谱质量较差或常说异常外, 该特定区域的天光背景以农历每月十五、 十六为中心向两边呈对称分布, 反映了该区域观测过程中受月相的影响变化情况, 该特征经量化后可为校正超级天光模型提供一种有效途径。 同时, 由于时序化描述过程中均匀采样的要求, 该方法可适用于反银心、 盘、 晕等高天体数密度区域, 而对于高银纬低数密度区域则需要更长时间的巡天观测。 此外, 该方法还可有效发现特定区域的离群(异常)天光光谱, 为天文学家进一步分析提供珍稀样本。

随着获取和收集天文光谱大数据能力的与日俱增, 合理利用计算科学技术正确地分析海量光谱的处理方法及结果统计。 前述工作采用了欧氏距离分析判别LAMOST实测光谱与模板之间相似度的研究, 研究恒星分类准确性取决于高质量的模板光谱, 选取LAMOST光谱在用的分类软件中183个恒星模板光谱, 分别利用欧氏距离和马氏距离方法得出A, F, G, K和M型恒星模板间的均值和最大值, 完成每条谱线相互之间的相关性分析, 找出相对距离较大的模板及形成原因。 相似度度量可视化实验数据结果表明模板之间具有一定的区分度, 通过马氏距离分析模板间相似性能更进一步辨识出相近模板之间的细微差别, 具备较优良的判别效果, 证实了LAMOST现有分类的各模板间距离较均匀, 且分类结果较为准确。 该研究可进一步优化在用光谱分类模板, 提升LAMOST恒星分类模板库的精确度和可信度。

数据挖掘被广泛应用于恒星光谱分类。 为了提高传统光谱分类方法性能, 提出熵学习机(Entropy-based Learning Machine, ELM)。 在该方法中, 熵用来刻画分类的不确定性。 为了得到理想的分类结果, 分类的不确定性应最小, 基于此, 可得ELM的最优化问题。 ELM在处理二分类问题和稀有光谱发现等方面具有一定优势。 SDSS中K型、 F型、 G型恒星光谱数据集上的比较实验表明: ELM在进行恒星光谱分类时, 其分类性能优于k近邻(k Nearest Neighbor)和支持向量机(Support Vector Machine)等传统分类方法。

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。

从海量恒星光谱中发现稀有光谱是天文学研究的重要课题之一。 与一般光谱相比, 稀有光谱数量较少, 因此, 传统分类方法无法正常工作。 究其原因是这些方法不仅在分类决策时并未对稀有光谱予以更多关注, 而且只关注分类的准确率。 鉴于此, 在总结当前分类方法的基础上, 深入分析互信息与决策树之间的关系, 提出基于互信息的代价缺失决策树。 SDSS DR8中K型、F型、G型以及M型恒星光谱上的比较实验表明, 与传统分类方法相比, 所提方法能够较好地完成稀有光谱识别的任务。