恒星的分类问题一直是天文研究的一大热点, 恒星的亚型分类对探究恒星演化、 稀有天体识别等具有重大意义。 针对LAMOST光谱亚型分类问题设计了SSTransformer (stellar spectrum transformer)分类模型, 该模型主要由三部分组成, 包括输入模块、 嵌入模块、 SST编码模块。 在输入模块中, 将光谱数据进行分块处理, 这些块经过线性投射层被映射为向量。 在嵌入模块中, 为了提取有用的数据特征, 将线性投射层的输出加入一个可学习的类别嵌入块, 为了保留位置信息, 再加入位置嵌入块, 之后将这些数据特征向量送入SST编码模块。 最后在SST编码模块中, 对数据特征进行提取处理, 并利用多层感知器结合新特征对恒星光谱进行分类。 采用的A、 F、 G、 K、 M型恒星光谱数据均来自LAMOST DR8中的一维低分辨率光谱, 35 256条一维光谱数据用于SSTransformer模型的训练, 8815条一维光谱数据用作模型的测试。 为了加快模型的收敛速度, 对数据采用Z-Score归一化处理。 由于是多分类问题, 实验采用了准确率、 精确率、 召回率、 F1-Score、 Kappa系数五个评价指标。 实验结果证明, 利用SSTransformer模型可实现对一维恒星光谱数据有效的筛选分类, 分类准确率达到98.36%, 比支持向量机(support vector machine, SVM)算法、 极端梯度提升(eXtreme Gradient Boosting, XGBoost)算法, 以及卷积神经网络(convolutional neural networks, CNN)的分类准确率更高。
恒星光谱 自动分类 SSTransformer模型 归一化 Stellar spectra Automatic classification SSTransformer model Normalized 光谱学与光谱分析
2023, 43(8): 2523
1 中国科学院 合肥物质科学研究院安徽光学精密机械研究所， 大气光学重点实验室，安徽合肥23003
2 中国科学技术大学，安徽合肥3006
3 先进激光技术安徽省实验室，安徽合肥2007
对于恒星光斑成像，传统的梯度评价算法在重度离焦情况下梯度细节薄弱，难以识别正确的调焦方向。为了实现跟星系统对恒星的快速成像和可靠跟踪，建立了针对恒星成像特征进行评价的自动调焦系统，对系统的聚焦评价算法、自动调焦结构以及自动控制系统进行研究。通过跟星系统成像的灰度分布情况分析光斑图像梯度特征在正焦和离焦时的区别。根据恒星光斑成像灰度级差异变化的特点，将背景值纳入评价贡献，在传统的梯度评价函数中加入光斑信号灰度差异贡献。设计适用改进算法的调焦硬件结构和系统结构，利用步进电机和调焦底座组成调焦组件，通过计算控制单元驱动调焦组件实现自动调焦系统。利用搭载调焦系统的跟星装置进行实验和分析。实验结果表明：自动调焦装置能够在跟星系统中稳定地进行调焦工作，且改进算法相对于传统梯度算法有着更好的调焦方向性，在保持传统梯度算法67%灵敏度的同时，将局部极值点减小为0。改进算法不受梯度细节薄弱影响，能够在不同离焦程度下保持较好的调焦方向性和正焦灵敏性，跟星系统在搭载自动调焦装置后能够快速搜索合适焦距并进行大气光学特性测量。
恒星聚焦 自动调焦 图像清晰度 步进电机 跟星系统 stellar focus auto focus image clarity stepper motor follow-star system 光学 精密工程
2023, 31(14): 2009
杨松洲 1,2,3,*张国玉 1,2,3孙高飞 1,2,3刘石 1,2,3徐达 1,2,3
1 长春理工大学光电工程学院，吉林 长春 130022
2 光电测控与光电信息传输技术教育部重点实验室，吉林 长春 130022
3 吉林省光电测控仪器工程技术研究中心，吉林 长春 130022
为解决现有星模拟器无法模拟天空背景变化的问题，提出了一种用于测试星敏感器工作性能的背景可调星模拟器。设计了离轴反射式准直光学系统，通过在主光路中引入半反半透镜产生两个共轭焦面，星点分划板和杂光光阑分别由恒星光源模拟器和背景光源模拟器中的两个积分球照亮。实时监测积分球出口辐照度并根据星点和背景亮度的需要控制光源的输出功率。两路光束合束后准直成像为平行光，最终被星敏感器接收，从而实现具有可变星空背景且视星等可变的恒星模拟。测试结果表明，该系统的视星等在-2.00~6.00范围内连续可调，视星等模拟精度为0.30，背景光源均匀性达到97.3%。该系统可较好地模拟星敏感器运行时恒星的背景变化，有效提升星敏感器的性能测试精度。
光学设计 星模拟器 恒星模拟 背景模拟 星敏感器 激光与光电子学进展
2022, 59(23): 2322001
1 河北工业大学, 天津 300400
2 中国科学院国家天文台, 北京 100012
天体光谱处理中的一项基本任务是对大量的恒星光谱进行自动分类。 到目前为止, 恒星光谱的分类工作多是基于一维光谱数据。 该研究打破传统的天体光谱数据处理流程, 提出了基于二维恒星光谱分类的方法。 在LAMOST(the large sky area multi-object fiber spectroscopic telescope)的数据处理流程中, 所有的一维光谱都是由二维光谱抽谱、 合并得来。 二维光谱是由光谱仪产生的图像, 包括蓝端图像和红端图像。 基于LAMOST二维光谱数据, 提出了特征融合卷积神经网络(FFCNN)分类模型, 用于二维恒星光谱的分类。 该模型是一个有监督的算法, 通过两个CNN模型分别提取蓝端图像和红端图像的特征, 然后将二者进行融合得到新的特征, 再利用CNN对新特征进行分类。 所使用的数据全部来源于LAMOST, 我们在LMOST DR7中随机选择了一批源, 然后获得了它们的二维光谱。 一共有14 840根F, G和K型恒星的二维光谱用于FFCNN模型的训练, 其中包括7 420根蓝端光谱和7 420根红端光谱。 由于三类恒星光谱的数量并不均衡, 在训练的过程中分别为每类恒星光谱设置了不同权重, 防止模型出现分类失衡现象。 同时, 为了加快模型收敛, 对二维光谱数据采用Z-score归一化处理。 此外, 为了充分利用所有样本, 提高模型的可靠度, 采用五折交叉验证的方法验证模型。 3 710根二维光谱用作测试集, 使用准确率、 精确率、 召回率和F1-score来对FFCNN模型的性能进行评价。 实验结果显示, F, G和K型恒星的精确率分别达到87.6%, 79.2%和88.5%, 而且它们超过了一维光谱分类的结果。 实验结果证明基于FFCNN的二维恒星光谱分类是一种有效的方法, 它也为恒星光谱的处理提供了新的思路和方法。
二维恒星光谱 光谱分类 FFCNN模型 归一化 交叉验证 Two-dimensional stellar spectra Spectral classification FFCNN model Normalized Cross-validation 光谱学与光谱分析
2022, 42(6): 1881
1 国防科技大学 智能科学学院，湖南 长沙 410073
2 国防科技大学 前沿交叉学科学院，湖南 长沙 410073
3 湖南交通工程学院 高科技研究院，湖南 衡阳 421001
计算机辅助装调技术的出现大大降低了光学系统装调的难度，但是目前提出的大部分装配误差计算方法都基于波像差系数，在应用过程中还需要额外的波前传感器。基于星点图在不同视场中的椭圆度分布，提出了一种不依赖于波前传感器的装配误差计算方法，该方法只需要CCD或CMOS等图像传感器即可实现光学系统的装配误差计算。基于矢量像差理论推导了该方法的理论基础，采用椭圆度参数量化了装配误差对星点图的影响规律，揭示了椭圆度分布与装配误差之间的非线性函数关系，在此基础上，以多视场下的星点图椭圆度分布为优化目标，将光学系统的装配误差求解问题转化成多目标优化问题，可通过智能优化算法进行求解。以Hilbert 两反式光学系统为例，基于三个视场的椭圆度分布计算次镜的四个侧向装配误差，仿真结果表明该方法的计算精度可达微米级，满足实际装调需求，验证了该方法的正确性，对促进计算机辅助装调技术的工程化应用具有重要意义。
计算机辅助装调 装配误差计算 星点图 椭圆度 computer aided alignment misalignments calculation stellar image ellipticity 红外与激光工程
2022, 51(5): 20210391
1 中国科学院国家空间科学中心，北京 100190
2 中国科学院大学，北京 100049
3 中国科学院空间环境态势感知重点实验室，北京 100190
星光掩星技术探测恒星光经大气层消光、 折射等作用后的恒星光光谱, 利用大气中不同成分对不同波长的光吸收的差异反演得到大气密度信息。 低轨卫星与恒星分别位于地球两侧, 低轨卫星接收到不同切线高度上光谱, 即构成星光掩星观测。 光谱探测高度可从平流层至低热层, 其中不同波段可用于不同大气痕量成分密度反演。 星光掩星技术具有探测参数多、 全球覆盖、 垂直分辨率高、 无需定标等优点。 GOMOS(global ozone monitoring by occultation of stars)是搭载在欧洲航天局ENVISAT卫星上的平流层臭氧检测仪器。 GOMOS利用星光掩星技术进行探测, 设计精密, 分辨率高, 在轨稳定运行十年(2002年—2012年), 探测波长跨越紫外到可见光波段, 采用光谱反演和垂直反演迭代的方法反演大气成分密度, 得到了大量关于临近空间区域大气资料, 对长期监测平流层至低热层区域变化提供了可靠的数据支持。 利用GOMOS掩星数据, 提出一种简单的反演方法——剥洋葱法, 反演临近空间高度上臭氧数密度。 剥洋葱法假设地球大气对称且水平分层, 利用单个波段光谱进行反演, 假设在此波长上光谱的大气吸收效应全部由臭氧造成, 即选择臭氧吸收占据绝对优势的波长。 经分析, 在50~100 km高度上可以利用290 nm波段进行反演, 在15~50 km高度上可以利用600 nm波段进行反演。 根据Beer-Lambert定律, 随切点高度自上而下, 对恒星光光谱透过率利用剥洋葱法进行反演得到臭氧数密度。 将剥洋葱法反演结果与GOMOS官方发布结果相对比, 两者符合得很好。
星光掩星技术 臭氧密度 反演方法 剥洋葱法 Stellar occultation Ozone density Inversion method Near space
1 中国科学院上海技术物理研究所, 上海 200083
2 中国科学院红外探测与成像技术重点实验室, 上海 200083
3 中国科学院大学, 北京 100049
精细导星仪(FGS)是空间天文望远镜精密稳像系统高精度姿态信息的快速检测装置,CMOS图像传感器的成像效果直接影响精细导星仪姿态信息的解算精度。而实际工作时,CMOS成像器件存在最佳的读出范围,超出此范围的入射光强与光生电子数的线性度低,无法获取有效星点来满足后级的质心坐标解算。为解决这一问题,提出一种估算不同星等最佳积分时间的方法,并将积分时间作为探测器参数选择与调整的主要依据。测量结果表明,像元暗电流的读出码值和探测器面阵RMS噪声值均随积分时间的增加而增加。依据星点光斑分布模型给出常用星等的最佳积分时间范围,结合星点的分布情况,得出7等星在视场范围内的星数约为7颗,论证了小型CMOS器件对星斑的探测能力。
导星仪 CMOS图像传感器 噪声测量 星图成像 积分时间 星等 FGS CIS noise measurement star imaging integration time stellar magnitude
龚云洪 1,2,3,4付皓斌 1,2,3雍海林 1,2,3曹原 1,2,3[ ... ]彭承志 1,2,3
1 中国科学技术大学 微尺度物质科学国家实验室和近代物理系，安徽 合肥 230026
2 中国科学技术大学 中国科学院量子信息与量子科技创新研究院，上海 201315
3 上海量子科学研究中心，上海 201315
4 国科量子通信网络有限公司，上海 201315
星地量子通信已经验证了广域量子通信网络的可行性，面对未来量子通信网络多用户的特点，能够准确、快速预测成码率是高效利用星地量子网络资源的核心问题。提出了一种基于机器学习及恒星星像图像识别的信道预测新方法，并将此方法应用于北京地面站的观测中。实验结果表明，恒星星像的图像识别正确率可达88%，并给出是否开展星地实验的建议。在建议开展星地对接的信道情况下，预估该时段量子卫星北京地面站在仰角39.5°的筛选成码率约为8~9 kbit/s，实际星地量子通信实验的筛选成码率为8.8 kbit/s。实验结果可用于合理安排多颗卫星、多个地面站的星地对接任务，提高星地量子通信的成功率，避免浪费卫星和地面站资源，推动量子通信卫星组网的实用化研究。
量子通信 恒星星像 机器学习 图像识别 quantum key distribution stellar image machine learning image recognition
1 中国科学院云南天文台, 云南 昆明 650011
2 中国科学院大学, 北京 100049
近年来, 随着各大光谱巡天项目的陆续实施, 观测得到的天体光谱数据急剧增长。 大型光谱巡天项目对光谱的自动分类和分析提出了更高的要求。 本文将分类问题转化为回归问题, 提出一种基于深度残差网络的光谱类别预测方法, 对恒星光谱进行光谱次型预测。 网络主要包括25个卷积层, 1个最大池化层, 1个平均池化层, 全连接层以及12个残差结构。 最大池化层用来筛选特征, 卷积层提取特征, 平均池化层用于减少模型参数, 提高效率。 残差结构可以防止网络退化, 加深网络来提取高维抽象特征以及提高训练速度。 考虑到数据有非零几率存在错误标签以及损坏数据, 采用Log-Cosh作为损失函数来降低坏样本带来的负面影响。 实验数据使用的是从LAMOST DR5中随机抽取的80 000条光谱, 由于光谱质量等原因, 每个光谱型的光谱数量不一。 经过剔除坏值, 流量归一化后, 按7∶1∶2分为训练集、 验证集和测试集。 实验包括两个部分, 第一个部分是使用数据集训练网络在光谱次型上进行类别预测, 使用最大绝对误差、 平均绝对误差以及标准差来比较不同形状卷积核的性能。 将预测值作为横坐标, 标签作为纵坐标, 对测试集所有样本点使用二阶非线性拟合, 得到了一条与y=x重合的直线。 证明模型可以很好的预测光谱次型。 第二部分是对模型进行内部分析, 使用类别激活映射的方法分别研究了模型预测A, F, G和K四种类型光谱时所关注的主要特征, 赋予了模型可解释性。 在文中数据集上, 该方法对91.4%的光谱预测误差在0.5个光谱次型以内, 预测的平均绝对误差为0.3个光谱次型。 并与非参数回归、 Adaboost回归树、 K-Means三种方法进行同数据集比较, 结果表明文中提出的方法可以很好地预测光谱次型并且速度更快, 准确率更高。
恒星光谱 光谱次型预测 深度学习 回归 特征映射 Stellar spectrum MK classification Deep learning Regression Feature mapping 光谱学与光谱分析
2021, 41(5): 1602
太原科技大学计算机科学与技术学院, 山西 太原 030024
类星体是人类所观测到的最遥远天体, 对于了解早期宇宙的演化具有重要科学意义。 由于类星体距离地球较远, 其红移一般较大, 导致在光学观测窗口中只有很少的特征（发射线）, 且难以识别。 类星体光谱的异常特征提取与分析可对未知类星体的识别, 提供有效的判别依据。 离群检测作为数据挖掘领域的一个主要研究内容, 旨在发现那些稀有、 特殊数据对象及异常特征, 可作为从海量类星体光谱数据中, 发现特殊、 未知类星体的一种有效途径和手段。 Spark作为新一代大数据分布式处理框架, 可为海量天体光谱的有效分析和处理, 提供一个高效且可靠的并行编程平台。 本文充分利用集群系统和Spark编程模型的强大数据处理能力, 提出一种基于稀疏子空间的类星体光谱异常特征并行提取与分析方法, 其工作由三个模块组成, 即类星体光谱特征约减、 类星体光谱的稀疏子空间构造和搜索、 类星体光谱异常特征提取并行算法设计与分析。 类星体光谱特征约减模块, 通过属性相关性分析来识别呈现聚类结构的类星体光谱特征线, 这些特征线通常会聚集在稠密区域且对类星体光谱异常特征检测毫无意义。 光谱特征约减旨在运行异常特征检测算法之前剪枝类星体光谱的冗余特征线, 缩小光谱数据检测范围。 类星体光谱的稀疏子空间构造和搜索模块, 通过设定的稀疏系数阈值来测量类星体光谱的子空间密度, 并采用粒子群优化方法作为稀疏子空间的搜索策略, 从而快速、 高效地获取类星体的异常特征。 在第三个模块中, 提出了一种MapReduce框架下的类星体光谱异常数据并行检测算法, 该算法由并行化数据约减策略、 稀疏子空间并行搜索技术两个MapReduce构成, 达到适应海量光谱数据的处理目标。 最后对检测出的部分类星体异常特征进行了理论分析、 测量及人眼证认, 充分说明稀疏子空间可为识别特殊、 未知类星体候选源, 提供有效支持和有力证据。
类星体 稀疏子空间 郭守敬望远镜(LAMOST) 光谱分析 Quasi-stellar object Sparse subspace LAMOST Spectral analysis 光谱学与光谱分析
2021, 41(4): 1086
