共查询到20条相似文献，搜索用时 687 毫秒
1.
星系的结构和形态能够反映星系自身的物理性质,其形态的分类是后续分析研究的一个重要环节.EfficientNet模型使用复合系数对深度网络模型的深度、宽度、输入图像分辨率进行更加结构化的统一缩放,是一种新的深度网络优化扩展方法.将该模型应用于星系数据形态的分类研究中,结果表明基于EfficientNetB5模型的平均准确率、精确率、召回率以及F1分数(精确率与召回率的调和平均数)都在96.6%以上,与残差网络(Residual network, ResNet)中ResNet-26模型的分类结果相比有较大的提升.实验结果证明EfficientNet的深度网络优化扩展方法可行且有效,可应用于星系的形态分类. 相似文献
2.
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
3.
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
4.
《天文研究与技术》2020,(2)
各类大型巡天项目产生了海量的天文数据,因此,需要研究适用于大规模数据的光谱自动处理方法。传统的基于谱线检测或BPT(Baldwin, Phillips, Terjevich)诊断图的星系光谱分类方法难以直接应用于星系光谱自动分类,相比之下,基于机器学习的光谱自动分析更适用于海量天文数据的分类研究。提出一种基于双层聚类的星系光谱分析方法。第1层采用k均值聚类算法将星系光谱分为吸收线星系和发射线星系,第2层使用CLARA(Clustering LARge Applications)聚类算法将发射线星系聚为5簇。对LAMOST DR5的星系数据进行实验,结果表明:(1)第1层k均值聚类能够成功将星系光谱分为吸收线星系和发射线星系,聚类簇与基于谱线检测的分类结果基本一致。(2)第2层CLARA聚类结果能够在BPT图中反映出不同的星系类型。(3)光谱聚类结果与颜色星等图分类存在预期的相关性。(4)k均值聚类和CLARA聚类能够适用于大规模数据自动分析处理,聚类结果能够很好地反映星系的物理性质和演化过程,簇心数据可以为光谱自动分类系统提供模板。 相似文献
5.
低表面亮度星系(Low Surface Brightness Galaxy, LSBG)的特征对于理解星系整体特征非常重要, 通过现代的机器学习特别是深度学习算法来搜寻扩充低表面亮度星系样本具有重要意义. LSBG因特征不明显而难以用传统方法进行自动和准确辨别, 但深度学习确具有自动找出复杂且有效特征的优势, 针对此问题提出了一种可用于在大样本巡天观测项目中搜寻LSBG的算法---YOLOX-CS (You Only Look Once version X-CS). 首先通过实验对比5种经典目标检测算法并选择较优的YOLOX算法作为基础算法, 然后结合不同注意力机制和不同优化器, 构建了YOLOX-CS的框架结构. 数据集使用的是斯隆数字化巡天(Sloan Digital Sky Survey, SDSS)中的图像, 其标签来自于$\alpha.40$-SDSS DR7 (40%中性氢苜蓿巡天与第7次数据发布的斯隆数字化巡天的交叉覆盖天区)巡天项目中的LSBG, 由于该数据集样本较少, 还采用了深度卷积生成对抗网络(Deep Convolutional Generative Adversarial Networks, DCGAN)模型扩充了实验测试数据. 通过与一系列目标检测算法对比后, YOLOX-CS在扩充前后两个数据集中搜索LSBG的召回率和AP (Average Precision)值都有较好的测试结果, 其在未扩充数据集的测试集中的召回率达到97.75%, AP值达到97.83%, 在DCGAN模型扩充的数据集中, 同样测试集下进行实验的召回率达到99.10%, AP值达到98.94%, 验证了该算法在LSBG搜索中具有优秀的性能. 最后, 将该算法应用到SDSS部分测光数据上, 搜寻得到了765个LSBG候选体. 相似文献
6.
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
7.
二维与三维星系巡天观测表明,存在着长纤维状超星系团和巨大的空洞。邻近超星系团的详细研究表明它们互相连通而形成巨大的网络。有效的定量识别图案的集团分析方法用于大天区三维巡天资料,使上述直观印象进一步得到了证实。星系分布的这些特征和它们的拓补结构,可以用绝热模型解释。更深度的巡天观测,多粒子数值模拟和进一步的理论研究正在进行中,会在不久的将来进一步揭示星系在大尺度上的分布特征。 相似文献
8.
机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey,SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7(SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、XGBoost(eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree,GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree,FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders,SDAE)、深度置信网络(Deep Belief Network,DBN)、深度感知决策树(Deep Perception Decision Tree,DPDT)等模型进行分类结果对比分析.实验结果表明,Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比,Stacking集成学习模型也有较大的提升. 相似文献
9.
基于Ｎ体数值模拟技术,给出在各种宇宙学模型框架下,产生ＬＡＭＯＳＴ红移巡天的模拟样本的方法,在模拟样本构造中,采用双参数的Ｌａｇｒａｎｇｅ偏袒模型,并结合ＬＡＭＯＳＴ的设计,考虑了径向选择效应及巡天几何的限制;同时还根据星系形态和环境的关系,进一步对模拟样本的星系形态进行分类。选择ＡＰＭ的亮星系样本对模型进行检验,并通过计算其角相关函数和模型进行比较,计算结果表明,对包括所有形态的星系样本,模拟样 相似文献
10.
基于N体数值模拟技术,给出在各种宇宙学模型框架下,产生LAMOST红移巡天的模拟样本的方法．在模拟样本构造中,采用双参数的tagrange偏袒模型,并结合LAMOST的设计,考虑了径向选择效应及巡天几何的限制;同时还根据星系形态和环境的关系,进一步对模拟样本的星系形态进行分类．选择APM的亮星系样本对模型进行检验,并通过计算其角相关函数和模型进行比较．计算结果表明,对包括所有形态的星系样本,模拟样本给出了和观测相符的结果,而对基于Postman和Geller的形态一环境关系所得到的不同形态的模拟星系分布,模拟样本中的椭圆星系和透镜星系不足以解释APM亮星系样本中的成团强度,即强偏袒效应．最后,从实测角度出发,对采用的模拟方法和样本进行评估． 相似文献
11.
基于N体数值模拟技术,给出在各种宇宙学模型框架下,产生LAMOST红移巡天的模拟样本的方法. 在模拟样本构造中,采用双参数的Lagrange偏袒模型,并结合LAMOST的设计,考虑了径向选择效应及巡天几何的限制;同时还根据星系形态和环境的关系,进一步对模拟样本的星系形态进行分类. 选择APM的亮星系样本对模型进行检验,并通过计算其角相关函数和模型进行比较. 计算结果表明,对包括所有形态的星系样本,模拟样本给出了和观测相符的结果,而对基于Postman和Geller的形态环境关系所得到的不同形态的模拟星系分布,模拟样本中的椭圆星系和透镜星系不足以解释APM亮星系样本中的成团强度,即强偏袒效应. 最后,从实测角度出发,对采用的模拟方法和样本进行评估. 相似文献
12.
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
13.
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
14.
15.
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
16.
17.
机器学习在当今的诸多领域已经取得了巨大的成功.尤其是提升算法.提升算法适应各种场景的能力较强、准确率较高,已经在多个领域发挥巨大的作用.但是提升算法在天文学中的应用却极为少见.为解决斯隆数字巡天(Sloan Digital Sky Survey,SDSS)数据中恒星/星系暗源集分类正确率低的问题,引入了机器学习中较新的研究成果–XGBoost (eXtreme Gradient Boosting).从SDSS-DR7 (SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源集和暗源集.首先,分别对亮源集和暗源集使用十折交叉验证法,同时运用XGBoost算法建立恒星/星系分类模型;然后,运用栅格搜索等方法调优XGBoost参数;最后,基于星系的分类正确率等指标,与功能树(Function Tree, FT)、Adaboost (Adaptive boosting)、随机森林(Random Forest, RF)、梯度提升决策树(Gradient Boosting Decision Tree, GBDT)、堆叠降噪自编码(Stacked Denoising AutoEncoders, SDAE)、深度置信网络(Deep Belief Network, DBN)等模型进行对比并分析结果.实验结果表明:XGBoost在暗源分类中要比功能树算法的星系分类正确率提高了将近10%,在暗源集的最暗星等中比功能树提高了将近5%.同其他传统的机器学习算法和深度神经网络相比, XGBoost也有不同程度的提升. 相似文献
18.
《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
19.
20.
《天文学进展》2015,(2)
星系红移巡天中的红移畸变效应是指由星系本动速度引起的,观测到红移空间中星系成团性呈现各向异性的效应。它是很重要的宇宙学探针,能够帮助我们重构宇宙结构形成的历史,结合宇宙膨胀历史的研究,我们可以打破暗能量模型和修正引力模型的简便性,更精确地限制宇宙学参数。随着观测精度的提高,下一代星系红移巡天(DESI,Euclid,LSST等)有望将红移畸变效应测量的统计误差降低到1%左右,然而目前红移畸变模型普遍都还有5%~10%的系统误差,因此,红移畸变模型的精度已经成为这个领域发展的瓶颈。我们介绍了几个主流的红移畸变模型,重点讨论每个模型中采用的假设及其局限性,并提出进一步改进的方向。 相似文献