提出双星光纤激光同步网络，具体研究双星交叉驱动-反相控制并联光纤激光同步网络系统与理论。该网络的结构和光学特点是：先利用双环掺铒光纤激光器构成网络“双星”激光双驱动源；然后采用“双星交叉驱动”对两组并联的多个单环掺铒光纤激光器进行驱动，由此构成双星交叉驱动两组并联光纤激光网络；最后分别利用“反相位控制与光学驱动”技术实现两组网络并联节点的同步，并进一步实现两组网络并联节点与双星的交叉同步，即实现双星光纤激光同步网络功能。由此设想与构建，给出网络的数学物理光学方程组。从理论上证明了网络并联节点簇同步以及网络节点与双星的交叉同步，形成了网络“星-节点”同步簇理论模式，并成功预测了双“星-节点”并列同步簇的存在。针对两组相互独立并联节点簇的单环掺铒光纤激光器以及作为网络双星的双环掺铒光纤激光器对应激光环的同步进行了数值模拟。本研究发现了网络的单“星-节点”同步簇、混沌同步簇、类周期同步簇、并列双“星-节点”同步簇等。本文还讨论了不同参数条件下双星交叉驱动-反相位控制并联同步光纤激光网络功能的实现。本研究对于光学网络、光纤激光同步网络及其应用具有重要的参考价值。

天体光谱是天体物理学重要的研究对象, 通过光谱可以获取天体的许多物理、 化学参数如有效温度、 金属丰度、 表面重力加速度和视向速度等。 白矮主序双星是一类致密的双星系统, 对研究致密双星的演化特别是公共包层的演化有着重要的意义。 国内外的大型巡天望远镜如美国斯隆望远镜以及中国的郭守敬望远镜, 每天都产生大量光谱数据。 如此海量的光谱数据无法完全用人工进行分析。 因此, 使用机器学习方法从海量的天体光谱中自动搜索白矮主序双星光谱, 有着非常现实的意义。 目前的光谱自动识别方法主要通过对已有的标签样本进行分析, 通过训练得到分类器, 再对未知目标进行识别。 这类方法对样本的数量有明确的要求。 白矮主序双星的实测光谱数量有限。 若要通过有限的样本集准确学习白矮主序双星的光谱特征, 不仅需要扩大样本数量, 还需要提高特征提取和分类算法的精度。 在前期工作中, 通过机器学习等方法在海量巡天数据中识别了一批白矮主序双星的光谱, 为该实验提供了数据源。 使用对抗神经网络生成新的白矮主序双星光谱, 扩大训练数据量至原数据集约两倍的数量, 增强了分类模型的泛化能力。 通过反贝叶斯学习修正损失函数, 将损失函数的大小与样本的方差相关联, 抑制了异常数据对模型造成的影响, 提升了模型的鲁棒性, 解决了由于训练样本集偏差带来的梯度消失以及训练陷入局部最优解等问题。 该实验基于Tensorflow深度学习库。 使用Tensorflow搭建的生成对抗网络具有较好的鲁棒性, 并且封装了内部实现细节, 使得算法得以更好地实现。 除此之外, 由Tensorflow搭建的卷积神经网络在该实验中用于分类准确度测试。 实验结果表明, 二维卷积神经网络能够利用卷积核有效地提取白矮主序双星的卷积特征并进行分类。 基于反贝叶斯学习策略的卷积神经网络分类器在白矮主序双星原始数据及对抗神经网络生成光谱的识别任务中达到了约98.3%的准确率。 该方法也可用于在巡天望远镜的海量光谱中搜索其他特殊和稀少天体如激变变星、 超新星等。

Double neutron stars are important objects in astrophysics and very important for many scientific studies. In 2017, LIGO/Virgo first discovered gravitational waves from the double neutron star merger GW170817, indicating a new method of discovering these stars. In this paper we shall describe the isolated binary formation scenario of double neutron stars and the properties of their populations. In addition, we discuss the binary formation channel for the GW170817 merger and some uncertainties in binary evolution, which are important for the formation of binary neutron stars.

研究了双星协同探测对多目标的跟踪问题。首先, 在双星协同探测可观测性分析的基础上建立基于重力转弯模型的主动段状态方程和观测方程;接着, 提出基于二元多项式思想的Symmetry Measurement Equation(BPGM-SME)算法解决多目标跟踪情形中的航迹交叉跟踪异常问题；在此基础上为提高单目标跟踪精度和收敛速度, 提出基于迭代思想的改进无迹卡尔曼滤波算法。通过仿真表明, 采用BPGM-SME算法对多个目标跟踪都能取得较好的跟踪效果, 在单目标跟踪方面改进无迹卡尔曼滤波算法能够取得比无迹卡尔曼滤波算法更好的收敛性效果和跟踪精度。

利用地基大的光学望远镜获得衍射极限成像是许多天文观测的重要目的,受大气扰动限制的分辨率可以通过在望远镜瞳面添加非冗余孔径掩模、采用闭合相位技术来突破。介绍了非冗余孔径掩模技术的发展、原理以及应用;建立了将此技术应用于双星探测的数学模型,并进行了计算机模拟及实验研究。研究结果表明,通过对非冗余孔径掩模获得的干涉图的处理,获得闭合相位,以此对双星模型进行拟合,能够获得双星的对比度与角间距。

幸运成像技术是一种相对简单的事后图像处理技术, 主要是对短曝光图像进行像质评价, 之后选取出高质量图像进行配准、叠加来复原出高分辨率目标图像。根据幸运成像技术的理论算法, 提出了一种适用于地基2.4m大口径望远镜的幸运成像技术方案和GPU局部加速算法流程。使用该方案拍摄的短曝光图像进行幸运成像, 获得了间距为0.3″的双星高分辨率图像。在选图过程中利用GPU设备进行并行计算, 探讨了加速幸运成像算法的可行性以及计算瓶颈的问题。实验结果表明, 在近红外条件下, 2m级大口径望远镜所拍摄的图像, 可以使用幸运成像算法重建出高分辨率的图像, 其FWHM约0.2″; GPU设备能够实现幸运成像算法的加速, 并提高整个算法的效率。

通过卷积运算提取白矮主序双星的光谱特征是提高识别精度的有效手段。 通过设计一维卷积神经网络, 以判别学习的方式从大量混合光谱中拟合出具有稳定分布的12个卷积核, 有效提取白矮主序双星的卷积特征。 通过引入相对松弛的光谱类别先验分布, 提出反贝叶斯学习策略以解决由于光谱抽样有偏带来的问题, 显著提高识别精度。 通过比较光谱在不同信噪比下的交叉熵测试误差, 分析卷积特征的提取过程对光谱信噪比的鲁棒性。 实验发现, 基于反贝叶斯学习策略的一维卷积神经网络对白矮主序双星的识别准确率达到99.0(±0.3), 超过了经典的PCA+SVM模型。 卷积特征谱的池化过程以降低光谱分辨率的形式缓解了光谱噪声对识别精度的影响。 当信噪比小于3时, 必须通过增加模型在光谱上的迭代次数以形成稳定的卷积核; 当信噪比介于3与6之间时, 光谱卷积特征较为稳定; 当信噪比大于6时, 光谱卷积特征的稳定性显著上升, 信噪比对于模型识别精度带来的影响可以忽略。

目前我国LAMOST光谱巡天已发布超过760万条的天体光谱, 对其中大量的低信噪比光谱的处理一直是业内公认的难题。 针对天体光谱中重复观测的光谱, 提出了一种新的处理方法。 该方法的主要内容为: 对每一组重复观测光谱, 选择其红移值的差距在一定范围内的组别, 然后使用一种基于信噪比加权的最优叠加方法来提高光谱的信噪比。 通过对LAMOST DR4中所有重复观测光谱进行处理, 证明该方法对于提高低信噪比重复观测光谱的信噪比十分有效。 使7 571组恒星光谱的信噪比达到参数测量的标准, 3 357组类星体和星系光谱的信噪比得到提高, 平均提高率为56.38%; 并且获得了43 021个双星候选体。