共查询到10条相似文献，搜索用时 46 毫秒
1.
星际弥散带(Diffuse Interstellar Bands,DIBs)自发现以来已经经历了近百年的研究,但是至今仍然是天体光谱学上的一个未解之谜。针对SDSS DR7的光谱数据提出了一种星际弥散带特征自动识别方法。该方法基于谱线特征匹配,通过光谱流量限制的方法进行星际弥散带特征的自动识别。利用它可对相对定标的巡天光谱进行广泛的星际弥散带候选天体搜索,在海量光谱数据中获取更多具有星际弥散带特征的河内恒星。通过对SDSS DR7中位置相对合适的超过300个盘的天体光谱的遍历,已经得到了一系列具有星际弥散带特征的候选河内恒星,并且证明了该方法简单有效且具有鲁棒性。这为载体证认等工作提供了大量辅助数据,极大地推进了星际弥散带的研究。 相似文献
2.
天体物理环境中的硅酸盐尘粒 总被引：1，自引：0，他引：1
硅酸盐尘粒是宇宙尘埃的主要成分之一,它广泛存在于许多天体物理环境中,其特性随环境而变化。由于近年来观测数据的不断增加和红外光谱质量的逐步提高,宇宙空间中的硅酸盐尘粒正受到越来越多的关注．该文详细地介绍了在各种天体环境(星际空间、演化晚期恒星的星周尘埃包层、绕年轻恒星和主序星的星周尘埃盘、彗星的彗发和行星际空间)中的硅酸盐尘粒的观测特征,并分别对其物理和化学性质进行了综合比较．观测已经证实在星际尘埃演化的前身(演化晚期恒星的星周尘埃包层)和其遗迹(彗星)均有可观数量的结晶硅酸盐存在。但是至今还没有在其中间态(弥散星际介质)找到结晶硅酸盐存在的证据。这一尚未解决的难题突出了结晶态硅酸盐在天体物理研究中的重要意义。 相似文献
3.
恒星形成区是研究恒星形成物理过程最重要的天体物理实验室. 猎户座分子云团是研究各种质量恒星形成和相关年轻恒星性质的一个著名天区. 通过对恒星形成区的光学光谱分析, 可以获取其内部热电离气体的运动学和化学性质. 基于国家大科学装置郭守敬望远镜(LAMOST)的光谱观测数据, 从LAMOST I期光谱巡天数据中筛选出8个指向猎户座分子云团的观测面板, 获取了1300多条针对猎户座分子云团内弥散电离介质的有效光谱. 选取不受星际介质污染的背景天光光谱构建超级天光, 对这些光谱数据做减天光处理, 并进一步测量其发射线性质,包括Ha、N Ⅱ] λ 6584、[S Ⅱ]λλ 6717和6731等发射线的中心波长和积分流量等.最后给出猎户座分子云团内弥散电离介质的视向速度和线强度比分布情况. 相似文献
4.
基于半解析模型和SDSS DR4(Sloan Digital Sky Survey Data Release 4),研究了环境对星系性质的影响.通过对以颜色、恒星形成率和恒星质量的带权重的相关函数的测量,发现半解析模型在颜色和恒星质量上与SDSS数据符合得比较好,而恒星形成率则在SDSS数据中表现为与环境无关.此结论证实了半解析模型对星系中部分性质与环境关系的预测,但对于恒星形成率为何与环境无关仍有待研究. 相似文献
5.
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
6.
《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
7.
8.
恒星大气物理参量的非参数估计方法 总被引：1，自引：0，他引：1
恒星大气物理参量（有效温度、表面重力、化学丰度）是导致恒星光谱差异的主要因素．恒星大气物理参量的自动测量是LAMOST等大规模巡天望远镜所产生的海量天体光谱数据自动处理中一个重要研究内容．针对测量大样本的恒星光谱数据估计每个恒星的大气物理参量，提出了一种基于变窗宽核函数的估计算法：变窗宽算法是对固定窗宽算法的改进，分为3个步骤：（1）将历史恒星光谱数据进行PCA处理，得到光谱的低维特征数据；（2）利用特征数据与其物理参数的对应关系，建立一种变窗宽的非参数估计模型；（3）利用该估计模型，直接计算待测恒星光谱的3个物理参量（有效温度、表面重力、金属丰度）．实验结果表明：该方法与固定窗宽估计模型以及在其他文献中报道的方法相比，具有较高的估计精度和鲁棒性． 相似文献
9.
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
10.
星系中心黑洞质量和核球恒星速度弥散度的紧密关系揭示出准确测量恒星速度弥散度对测定星系中心黑洞质量尤为重要.文中提供了一种利用SDSS(Sloan Digital SkySurvey)光谱测定速度弥散度及其不确定性的方法.通过对像素空间包含显著特征吸收线的4个不同谱区的拟合,得到准确测量恒星速度弥散度σ的光谱区域.文中4个拟合波段主要包含的吸收线为CaⅡK,MgⅠb三重线(波长5167.5,5172.7,5183.6(?))和CaT(CaⅡ三重线,波长8498.0,8542.1,8662.1(?)).不同区域结果表明,MgⅠb区由于受到铁族发射线影响,拟合的σ值偏低;CaⅡK线区谱线强度很弱,易受限于最小二乘法搜索算法;CaT+CaⅡK联合区得出的速度弥散度和只计算CaT区域的结果相当.利用该方法,测试了一个红移小于0.05的赛弗特星系样本,发现CaT区是测速度弥散度的最佳谱区. 相似文献