1 山东大学(威海)机电与信息工程学院, 山东 威海264209
2 中国科学院光学天文重点实验室, 中国科学院国家天文台, 北京100012
3 辽宁科技大学理学院, 辽宁 鞍山144051
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。
Lick线指数 人工神经网络 恒星光谱参数 郭守敬望远镜(LAMOST) Lick line index Artificial neural network Stellar spectrum parameter LAMOST 光谱学与光谱分析
2013, 33(6): 1701
1 山东大学(威海)机电与信息工程学院, 山东 威海264209
2 中国科学院光学天文重点实验室, 中国科学院国家天文台, 北京100012
3 辽宁科技大学理学院, 辽宁 鞍山144051
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。
Lick线指数 线性回归 恒星光谱参数 郭守敬望远镜 Lick line index Linear regression Stellar spectrum parameter LAMOST 光谱学与光谱分析
2013, 33(5): 1397
1 山东大学(威海)机电与信息工程学院, 山东 威海264209
2 中国科学院光学天文重点实验室, 中国科学院国家天文台, 北京100012
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。
恒星光谱参数 模板匹配 K-最近邻 卡方最小化 光谱相似度 连续谱归一化 Stellar spectrum parameter Template matching K-Nearest Neighbor (KNN) Cross correlation Spectra similarity Continuum normalization LAMOST LAMOST
1 山东大学(威海)机电与信息工程学院, 山东 威海 264209
2 中国科学院光学天文重点实验室, 中国科学院国家天文台, 北京 100012
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。
恒星光谱参数 模板匹配 相似性度量 连续谱归一化 郭守敬望远镜(LAMOST) Stellar spectrum parameter Template matching Similarity measure Continuum normalization LAMOST 光谱学与光谱分析
2012, 32(12): 3402
