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。

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。

由于人类对宇宙的认识有限, 因此, 如何通过对光谱数据分析发现一些新的、 特殊的天体成为天文学家面临的重要课题。 目前, 常见特殊天体发现方法的基本思想是利用智能分类算法对离群数据进行分析。 然而, 当前主流分类算法大多对离群数据不敏感, 分类性能甚至受离群点影响较大, 因而无法完成特殊天体发现任务。 鉴于此, 提出基于模糊大间隔最小球分类模型的离群数据挖掘方法, 该方法利用部分一般样本和离群样本建立最小球模型, 并在此基础上引入模糊技术, 通过降低噪声的权重, 尽量减少噪声的影响。 与C-SVM, SVDD, KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明所提方法的有效性。

通过人工神经网络的方法基于Lick线指数, 来进行大气物理参数的测量, 对Kurucz的合成光谱进行预处理以适应最后LAMOST光谱数据的要求, 以Lick线指数与对应的大气物理参数为输入, 用人工神经网络进行训练, 得到训练模型通过DR8光谱数据进行测试, 通过调整人工神经网络的相关参数来使实验效果达到最佳。 结果证明, 通过线指数人工神经网络的方法来进行大气物理参数的测量是可行的。

利用Lick线指数, 根据光谱的海量特点, 从统计回归的角度出发, 通过线性回归的方法来设计大气物理参数测量的高效算法。 线性回归通过选择最佳的线指数组合及回归类型的选择来使其达到最佳的回归效果。 因为得到的是公式性的回归模型, 所以使得其应用于新的数据时计算速度可以很快, 且清晰明了, 便于分析处理, 这是其他方法所达不到的。 实验结果证明, 通过线指数回归的方法来进行大气物理参数的测量是可行的。

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。

采用模板匹配方法进行恒星光谱的自动处理时, 不需要计算光谱的线指数, 而采取对全谱匹配的方法尽可能多的保存有用的信息, 可得到比较理想的结果。 提出一种基于光谱相似度的恒星大气参数自动测量的方法。 首先对恒星光谱进行连续谱归一化, 然后通过计算待测光谱和模板光谱之间的相似性来进行模板匹配, 从而得到相对准确的恒星大气参数。 通过ELODIE实测光谱数据和NGS理论模板库之间的实验表明, 本方法可有效进行恒星大气参数的自动测量, 并能得到理想的结果。

提出一种基于统计窗的恒星连续谱拟合方法。 该方法将恒星光谱划分为若干个统计窗, 在每个窗口内根据信噪比选取一定比例的流量点, 然后对选出来的流量点进行低阶多项式迭代拟合, 从而得到连续谱。 实验表明, 与其他方法相比, 该方法得到的连续谱更接近于实际连续谱。 该方法对SDSS中除M外的各种光谱型连续谱的拟合均具有很高的实用性和鲁棒性, 对于郭守敬望远镜(LAMOST)先导巡天恒星光谱的连续谱拟合同样具有非常好的效果。

色温影响星敏感器恒星定位精度。运用光线追迹方法,研究色温对恒星定位精度的影响。在分析不同色温恒星光谱分布特征的基础上,建立恒星光谱模型,计算色温差异引起的恒星定位误差。计算结果表明:中心视场附近色温差异引起的恒星定位误差较视场边缘小;通过合理选择光学系统的响应波段,可以减小色温差异引起的恒星定位误差,但会损失恒星到达探测器感光面的光能量。例如,当响应波长从300 ~1 100 nm 减小为400 ~800 nm时,星敏感器视场(0°,0°)、(0°,2°)和(0°,4°)处的单颗恒星定位误差分别减小为0.042 2″、1.965 2″和3.389 1″,约为原来的54%、65%和70%;色温为9 600 K、7 600 K、5 600 K 和3 600 K 的恒星像斑能量分别约为原来的58%、62%、63%和51%。