共查询到20条相似文献，搜索用时 125 毫秒
1.
2.
《天文研究与技术》2020,(1)
天体光谱数据的智能处理正由传统机器学习方法逐步转向深度学习,主要采用基于计算机视觉的技术手段。基于计算机视觉领域广泛应用的DenseNet网络结构,针对光谱数据进行修改,建立了适用于光谱数据的一维卷积神经网络模型,解决天体光谱数据分类任务。在验证数据集上,恒星、星系、类星体的F1分数达到了0.998 7、0.912 7、0.914 7,高于传统的神经网络。光谱分类关注区域的可视化结果表明,本文模型可以学习到各类天体对应的特征谱线,具有较强的可解释性。本文方法被用于阿里云天池天文数据挖掘大赛——天体光谱智能分类,并在843支参赛队伍的3次数据评比中获得了2次第一、1次第三的成绩,证明了该模型在保证分类精度的同时,具有极强的鲁棒性、泛化性,适用于光谱的自动分类。 相似文献
3.
基于K近邻方法的窄线与宽线活动星系核的自动光谱分类 总被引：1，自引：0，他引：1
对于美国芝加哥大学等6个组织的斯隆数字化巡天观测(SDSS)的一批低红移活动星系核(AGN)光谱数据,针对宽线AGNs和窄线AGNs发射线的不同特征,在静止系的光谱上截取有效波段范围,采用自动分类的K近邻方法,对其进行分类．宽线和窄线AGNs光谱的主要区别在于Hβ、[OⅢ]、Ha和[NⅡ]等发射线的幅度和半高全宽(FWHM)的大小,所以截取这些发射线所在的波段进行单独或组合的分类实验,实验证明,单独采用以Hα和[NⅡ]发射线为主的波段,分类效果最好,且对于训练样本数和测试样本数分别为1000和3313条的AGNs光谱的单次分类速度可达32．89秒．在充分利用光谱的典型特征的情况下,自动分类方法也可有效地应用于活动星系核的分类,为传统的通过计算发射线的FWHM值或发射线强比对大型光谱巡天所产生的庞大数据库进行分类提供了一种快速直接的分类方法． 相似文献
4.
星系的形态与星系的形成和演化息息相关, 其形态学分类是星系天文学后续研究的重要一环. 当前海量天文观测数据的出现使得天文数据自动分析方法越来越得到重视, 针对此问题, 利用先进的深度学习骨干网络EfficientNetV2, 分析不同的注意力机制类型和使用节点对网络性能的影响, 构建了一种命名为EfficientNetV2-S-Triplet7 (即在EfficientNetV2-S stage7的$1\times1$卷积层后加入Triplet模块)的改进算法模型来实现星系形态学的自动分类. 使用第二期星系动物园(Galaxy Zoo 2, GZ2)中超过24万张的测光图像作为初始数据进行实验测试. 在对数据进行预处理时采取了尺寸抖动、翻转、色彩畸变等图像增强手段来解决图像数量的不平衡问题. 在同一系列经典和前沿的深度学习算法模型AlexNet、ResNet-34、MobileNetV2、RegNet进行对比实验后, 得出EfficientNetV2-S-Triplet7算法在分类准确率、查全率和F1分数等指标上具有最好的测试结果. 在9375张测试图像中的3项指标值分别可达到89.03%、90.21%、89.93%, 查准率达到89.69%, 在其他模型中排在第3位. 该结果表明将EfficientNetV2-S-Triplet7算法应用于大规模星系数据的形态学分类任务中有很好的效果. 相似文献
5.
《天文学进展》2018,(4)
星系形态与星系的形成和演化有着密切的联系,因此星系形态分类(galaxy morphology classification)成为研究不同星系物理特征的重要过程之一。斯隆数字巡天(Sloan Digital Sky Survey, SDSS)等大型巡天计划产生的海量星系图像数据对星系形态的准确、实时分类提出了新的挑战,而深度学习(deep learning)算法能有效应对这类海量星系图片的自动分类考验。面向星系形态分类问题提出了一种改进的深度残差网络(residual network, ResNet),即ResNet-26模型。该模型对残差单元进行改进,减少了网络深度,并增加了网络宽度,实现了对星系形态特征的自动提取、识别和分类。实验结果表明,与Dieleman和ResNet-50等其他流行的卷积神经网络(convolution neural network, CNN)模型相比,ResNet-26模型具有更优的分类性能,可应用于未来大型巡天计划的大规模星系形态分类系统。 相似文献
6.
随着天文探测技术的快速发展, 海量的星系图像数据不断产生, 能够及时高效地对星系图像进行形态分类对研究星系的形成与演化至关重要. 针对传统的星系形态分类模型特征选择困难、分类速度慢、准确率受限等难题, 提出一种以Inception-v3神经网络为主干结构, 融合压缩激励(Squeeze and Excitation Network, SE)通道注意力机制的星系形态分类模型. 该模型在斯隆数字巡天(Sloan Digital Sky Survey, SDSS)样本的测试集准确率高达99.37%. 旋涡星系、圆形星系、中间星系、雪茄状星系与侧向星系的F1值分别为99.33%、99.58%、99.33%、99.41%与99.16%. 该模型与Inception-v3、MobileNet (Mobile Neural Network)和ResNet (Residual Neural Network)网络模型相比, SE-Inception-v3宽度和深度优势表现出更强的特征提取能力, 可以高效识别不同形态的星系, 为未来大型巡天计划的大规模星系形态分类问题提供了一种新方法. 相似文献
7.
星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型. 相似文献
8.
巡天观测与高能物理、黑洞天文等领域均有密切的联系.基于星系-超新星二分类问题,研究光谱数据预处理,结合余弦相似度改善PCA(Principal Component Analysis)光谱分解特征提取方法,用SDSS(the Sloan Digital Sky Survey)、WISeREP(the Weizmann Interactive Supernova data REPository)组成的5620条光谱数据集训练支持向量机,可以得到0.498%泛化误差的识别模型和新样本分类概率.使用Neyman-Pearson决策方法建立NPSVM(Neyman-Pearson Support Vector Machine)模型可进一步降低超新星的漏判率. 相似文献
9.
对70个塞佛特星系进行了形态分析,发现两类塞佛特星系都有一个共同特征:旋臂与喷射现象不相容.两类塞佛特星系形态上的差别,主要是第二类塞佛特星系有喷射现象而无旋臂者占大多数,第一类则相反.对其中43个有光谱资料的塞佛特星系进行同样分类,第一类塞佛特星系可以分为三个次型:不活动型、中间型和活动型.第二类分为:不活动型与活动型.发现,氢巴尔末线H_a光度、减缩、禁线[O111]λ5007的光度,10μ光度等物理量,也是按此次型序列基本上单调地递增(表2).计算每种次型发射线区包层的几何结构和物理参数(表3)变化,也正好按这个序列,而且与观测一致.提出,这样一个序列是星系核活动,物质向外抛射的结果.由此得出,第一类塞佛特星系中有一些通过一定规模的爆发,破坏甚至丧失旋臂,可以演化为第二类,喷射现象就是爆发后的产物.最后在两色图上讨论塞佛特星系与其他活动星系核的关系. 相似文献
10.
《天文学报》2007,48(4):515-520
天体物理过程黑洞双星的形成.................................……吴斌孟祥存韩占文(121)切仑科夫铁K。和K口发射线的强度比和本征红移比的计算及其在活动星系核中的可能应用.........................................……刘当波陈磊尤峻汉(269)宇宙学(包括星系)基于K近邻方法的窄线与宽线活动星系核的自动光谱分类...............……...............................……赵梅芳昊潮罗阿理昊福朝赵永恒(l)盘状星系的颜色星等关系...............……吴海滨刘成则张波常瑞香(n)类星体与赛弗特I型星系陡的巴尔末减缩的起源.............… 相似文献
11.
12.
《天文学报》2015,(5)
基于COSMOS(Cosmic Evolution Survey)天区的多波段测光数据和HST(Hubble Space Telescope)近红外高分辨率观测图像,利用质量限(恒星质量M*≥1010.5M⊙)选取了362个红移分布在1≤z≤3的星系样本,并对这些大质量星系的形态特征进行了分类研究.来自UVJ(U-V和V-J)双色图分类系统、目视分类系统、非模型化分类系统(基尼系数G和矩指数M20)和模型化分类系统(S′ersic index,n)的分类结果彼此相一致.相比较于恒星形成星系(SFGs),通过UVJ双色图定义的宁静星系(QGs)表现出致密的椭圆结构,而且G和n值偏大,但M20和星系有效半径(re)偏小.不同星系分类系统(双色图分类系统、非模型化分类系统和模型化分类系统)定义的SFGs和QGs样本,都明显存在星系的大小随红移的演化关系,这种演化趋势QGs比SFGs更剧烈,而且不依赖于星系分类方法的选择. 相似文献
13.
《天文学进展》2017,(2)
中红外高电离发射线[OⅣ](25.9μm)的产生机制尚不明确。利用简单的光致电离模型,Hao等人(2009)初步分析发现,当星暴星系模型给出的[NeⅢ]/[NeⅡ]值与观测相当时,其给出的[OⅣ]/[SⅢ]值却比观测值低约4个量级。[OⅣ]/[SⅢ],[SⅣ]/[SⅢ],[NeⅢ]/[NeⅡ]等中红外发射谱线比值及其变化趋势,以及其与ITERA package中提供的各类更新的光致电离模型的比较,是进一步探索星暴星系中[OⅣ]发射来源的一种有效途径。观测数据与电离模型计算结果的比较表明,Hao等人(2009)中提出的中红外发射线诊断图[OⅣ]/[SⅢ]对[SⅣ]/[SⅢ]中的分支结构能分别较好地与AGN与星暴星系光致电离模型相吻合。这些星暴星系模型所产生的[OⅣ]发射的强度与电离光谱中大于4 Ryd段的相对光子流量呈紧密正相关,单独考虑Wolfe-Rayet星的辐射对电离光谱的贡献足以解释星暴星系中的[OⅣ]发射线;而对于[OⅣ]/[SⅢ]对[NeⅢ]/[NeⅡ]诊断图,模型仍很难解释观测结果,特别是星暴星系分支:当由模型计算出的[OⅣ]/[SⅢ]值与观测相当时,其给出的[NeⅢ]/[NeⅡ]值相比于观测仍明显偏高。如果考虑上述发射线均来自具有单一密度与电离参数的发射区,那么[NeⅢ]/[NeⅡ]值与电离光谱21.6～41.0 eV段的斜率密切相关。 相似文献
14.
恒星光谱分类是天文学中一个重要的研究问题.对于已经采集到的海量高维恒星光谱数据的分类,采用模式匹配方法对光谱型分类较为成功,但其缺点在于标准恒星模版之间的差异性在匹配实际观测数据中不能体现出来,尤其是当需要进行光谱型和光度型的二元分类时模版匹配法往往会失败.而采用谱线特征测量的光度型分类强烈地依赖谱线拟合的准确性.为了解决二元分类的问题,介绍了一种基于卷积神经网络的恒星光谱型和光度型分类模型(Classification model of Stellar Spectral type and Luminosity type based on Convolution Neural Network, CSSL CNN).这一模型使用卷积神经网络来提取光谱的特征,通过注意力模块学习到了重要的光谱特征,借助池化操作降低了光谱的维度并压缩了模型参数的数量,使用全连接层来学习特征并对恒星光谱进行分类.实验中使用了大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope, LAMOST)公开数据集Data Release 5 (DR5,用了其中71282条恒星光谱数据,每条光谱包含了3000多维的特征)对该模型的性能进行验证与评估.实验结果表明,基于卷积神经网络的模型在恒星的光谱型分类上准确率达到92.04%,而基于深度神经网络的模型(Celestial bodies Spectral Classification Model, CSC Model)只有87.54%的准确率; CSSL CNN在恒星的光谱型和光度型二元分类上准确率达到83.91%,而模式匹配方法MKCLASS仅有38.38%的准确率且效率较低. 相似文献
15.
光谱预处理及其对星系/类星体分类结果的影响 总被引：1，自引：0，他引：1
由于噪声、畸变和观测环境等因素的影响,在天体光谱自动处理之前,需要对它进行相应的预处理.研究巡天光谱的预处理(数据格式和流量标准化)对光谱自动分析的影响.分析了同数据格式对光谱及其谱线特征的影响和格式标准化研究的必要性;通过分析光谱流量数量级的不确定性及其特点,提出了流量数量级变化的基本模型,并给出了相应的标准化方法.通过星系和类星体的分类实验,结果表明:1)采用对数波长数据格式对光谱的自动分类更有利;2)验证了所提出的流量标准化模型的合理性,以及所给流量标准化方法良好的性能.特别需要指出的是,文献中通常采用的流量标准化方法在光谱自动分类中的效果反而是较差的. 相似文献
16.
传统的哈勃星系形态分类法可以很好地对近邻的亮星系进行分类,但对低面亮度星系、矮椭球星系、矮旋涡星系以及高红移星系等都已无能为力。德沃古勒分类系统、叶凯士分类系统和范登伯分类系统是在哈勃分类法的基础上进行了发展和细化,利用光的中心聚集度或光度级等作为星系形态分类的参数。模型化分类系统试图定量地测量星系形态参数,但需要假定星系面亮度分布满足一定的形式,如r~(1/4)律、指数律等。最近几年,又有一些学者提出了非模型化分类系统,给出了若干个可以直接测量星系形态的结构参数,如:聚集度指数C、非对称指数A、簇聚指数S、基尼系数G及矩指数M_(20)。这些参数可以反映星系的形成历史、恒星形成、与其他星系的相互作用、已经发生或正在进行的并合活动等。它们不仅可以有效地给出近邻星系的分类特性,还能用于测量高红移星系的形态。该文介绍了不同的星系形态分类方法,比较了各类方法的优点和不足。在此基础上,最后介绍了基于非模型化分类系统的星系形态分类的研究进展。 相似文献
17.
《天文研究与技术》2015,(4)
随着大型地面和空间观测设备的建设以及大型巡天项目的开展,天文数据以TB字节、PB字节,甚至EB字节计量,天文学进入了"大数据"时代。面对数据海洋,如何有效地存储和管理这些大数据是摆在天文学家面前的核心问题。数据存储和管理不仅仅是天文数据中心的任务,天文学家也需要有效地管理自己的科研数据。能够将海量的数据自动地存入数据库中是管理数据的基本前提,而高效的数据索引则是管理数据的核心要素,为此设计开发了天文大数据管理工具Auto DB,使用虚拟终端监视实现海量数据的自动入库,对数据自动创建全新的天空分区索引Q3C(Quad Tree Cube),对天文数据进行二维空间索引以便于高效的管理。天文大数据管理工具的改进和完善对天文学家后续研究中的数据融合、数据分析、数据挖掘提供了根本的保障,尤其对从事大数据的天文学家,拥有自动化的数据库管理工具,可以集中精力致力于科学研究。 相似文献
18.
19.
星暴和活动星系核之间的联系是活动星系研究领域最重要、最活跃的研究课题之一。Seyfert星系由于距离较近、数目较多和相对低的核活动,已成为研究星暴和活动星系核之间联系的理想天体。综述了活动星系核中存在星暴的观测证据和Seyflert2型星系核区星暴活动的最新研究结果,着重讨论了存在两类Seyflert2型星系(一类是被遮挡的Seyfert1型星系,另一类是“真正”的Seyfert2型星系即不存在宽线区的Seyfert2型星系)的可能性．通过比较具有和不具有偏振宽线的Seyflert2型星系在红外、射电、光学和X射线光谱性质的差别,发现具有偏振宽线的Seyfert2型星系在本质上和Seyflert1型星系是同一类天体,差别只在于观测者视线方向的不同;而不具有偏振宽线的Seyfert2型星系是一些星系核活动较弱而星暴活动占主导的天体,这些星系从射电、红外、光学到硬X射线,都具有和星暴星系相似的性质。由于这些星系中核的吸积率将比Seyflert1型星系低近两个量级,因而它们很有可能是一些没有宽发射线区的Seyfert2型星系,即所谓的“真正”Seyflert2型星系。 相似文献
20.
天体光谱分类是天文学研究的重要内容之一,其关键是从光谱数据中选择和提取对分类识别最有效的特征构建特征空间.提出一种新的基于2维傅里叶谱图像的特征提取方法,并应用于LAMOST (the Large Sky Area Multi-Object Fiber Spectroscopic Telescope)恒星光谱数据的分类研究中.光谱数据来源于LAMOST Data Release 5(DR5),选取30000条F、 G和K型星光谱数据,利用短时傅里叶变换(Short-Time Fourier Transform, STFT)将1维光谱数据变换成2维傅里叶谱图像,对得到的2维傅里叶谱图像采用深度卷积网络模型进行分类,得到的分类准确率是92.90%.实验结果表明通过对LAMOST恒星光谱数据进行STFT可得到光谱的2维傅里叶谱图像,谱图像构成了新的光谱数据特征和特征空间,新的特征对于光谱数据分类是有效的.此方法是对光谱分类的一种全新尝试,对海量天体光谱的分类和挖掘处理有一定的开创意义. 相似文献