海量天文光譜數(shù)據(jù)中白矮主序雙星的發(fā)現(xiàn)研究.pdf

1、隨著世界各國(guó)的各大天文臺(tái)的落成與不斷地運(yùn)行，天文數(shù)據(jù)也在以驚人的速度飛速地增長(zhǎng)，對(duì)海量天文數(shù)據(jù)的處理也成為了目前天文領(lǐng)域迫切需要解決的問(wèn)題。這些海量的數(shù)據(jù)包含了測(cè)光數(shù)據(jù)，光譜數(shù)據(jù)和天文圖像數(shù)據(jù)等多種數(shù)據(jù)，本文主要針對(duì)天體光譜數(shù)據(jù)的預(yù)處理和自動(dòng)分類進(jìn)行研究，因?yàn)楹Ａ康墓庾V數(shù)據(jù)中隱含著很多時(shí)變天體、稀少天體，甚至還有一些未知天體，而特殊天體的發(fā)現(xiàn)對(duì)天文領(lǐng)域的一些宇宙演變規(guī)律以及研究生命的起源等都有著特殊的意義。雖然有了這些天體的光譜數(shù)據(jù)，但

2、是仍然無(wú)法確定他們的類型，僅僅靠天文觀測(cè)來(lái)發(fā)現(xiàn)新天體是非常困難的，工作量也很龐大，所以很多計(jì)算機(jī)領(lǐng)域研究者著重于研究光譜的自動(dòng)分類的方法，也有很多研究者研究挖掘特殊天體的方法。
　　研究發(fā)現(xiàn)很多研究人員在使用計(jì)算機(jī)的自動(dòng)分類技術(shù)來(lái)完成恒星光譜的自動(dòng)分類工作，而特殊天體的發(fā)現(xiàn)是其中一個(gè)非常重要的研究領(lǐng)域。本文主要針對(duì)斯隆數(shù)字巡天發(fā)布的相關(guān)的海量光譜數(shù)據(jù)進(jìn)行分析，重點(diǎn)研究了特殊天體的光譜數(shù)據(jù)特征，分析光譜數(shù)據(jù)的高維特征，找出適合高維光

3、譜數(shù)據(jù)的降維算法，確定其最佳維數(shù)特征;并通過(guò)算法的比較和優(yōu)化構(gòu)造不同的分類模型，最終通過(guò)實(shí)驗(yàn)對(duì)比確定最終的高準(zhǔn)確率的分類模型。目的是發(fā)現(xiàn)新的特殊天體WDMS(WhiteDwarf+M Sequence Binaries，白矮主序雙星)，從而對(duì)前人已發(fā)現(xiàn)的結(jié)果進(jìn)行補(bǔ)充，為天體演化、密度分布、結(jié)構(gòu)等問(wèn)題提供了更好的條件，同時(shí)也為進(jìn)一步探究銀河系的形成與演化起到了不可或缺的作用。
　　本文研究了高維的天體光譜數(shù)據(jù)的有效的特征提取方法并確

4、定WDMS的最佳降維維數(shù)。分別研究了線性特征提取方法和非線性特征提取方法對(duì)高維的光譜數(shù)據(jù)進(jìn)行降維。針對(duì)線性特征提取方法主要使用了PCA(主變量分析)的方法提取光譜的主要特征值構(gòu)造光譜特征矩陣，通過(guò)主成分分析，能夠從樣本集中找到一組變換基P。針對(duì)非線性性的方法主要使用了流形學(xué)習(xí)算法:等距特征映射(Isometric Feature Mapping，ISOMAP)和深度學(xué)習(xí)的棧式自編碼(SAE)。ISOMAP采用了微分幾何中的測(cè)地線距離，而

5、非歐式距離;棧式自編碼器能夠?qū)π螺斎氲墓庾V數(shù)據(jù)進(jìn)行特征提取，利用訓(xùn)練得到的權(quán)值和光譜進(jìn)行線性組合即可得到特征光譜數(shù)據(jù)。最后對(duì)線性與非線性的特征提取方法進(jìn)行對(duì)比，從時(shí)間效率和準(zhǔn)確度上確定更適合高維光譜數(shù)據(jù)的特征提取方法，并最終與分類算法結(jié)合確定WDMS的最佳維數(shù)特征。本文的主要?jiǎng)?chuàng)新點(diǎn)有:
　　1.使用深度學(xué)習(xí)實(shí)現(xiàn)對(duì)低信噪比的光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)降維。因?yàn)閷?duì)于高信噪比的光譜數(shù)據(jù)使用線性的特征提取方法能夠得到較高的分類準(zhǔn)確率，但是對(duì)于低信噪

6、比光譜數(shù)據(jù)分類效果不是很好，目前大多數(shù)的WDMS的研究者都主要研究信噪比高的光譜，而低信噪比的光譜由于光譜特征不夠明顯，所以研究上有一定的困難性，而本文通過(guò)實(shí)驗(yàn)證明深度學(xué)習(xí)對(duì)于低信噪比的光譜數(shù)據(jù)也有很好的特征提取的效果。
　　2.WDMS的分類模型構(gòu)造?；诖_定好的降維算法，構(gòu)造了不同的分類模型，并對(duì)比了不同分類模型的分類效果，最終確定了針對(duì)SDSS(斯隆數(shù)字巡天)發(fā)布的DR10的全部數(shù)據(jù)的分類模型。該模型是通過(guò)對(duì)分類算法和聚類算

7、法的分類的準(zhǔn)確率進(jìn)行對(duì)比，然后將二者進(jìn)行整合，利用聚類算法剔除大量的非WDMS，然后對(duì)剩余的光譜采用分類的方法，并對(duì)分類方法進(jìn)行優(yōu)化，提出了一個(gè)基于聚類+分類的高準(zhǔn)確率的WDMS的發(fā)現(xiàn)模型。最終通過(guò)該模型在DR10中共找出了4986個(gè)結(jié)果，其中4240個(gè)是WDMS，經(jīng)過(guò)驗(yàn)證目前沒(méi)有被發(fā)現(xiàn)的有22個(gè)。實(shí)驗(yàn)表明使用有效的數(shù)據(jù)挖掘方法進(jìn)行特殊天體的自動(dòng)搜索快速、準(zhǔn)確率高、分類效果明顯，可以將此方法應(yīng)用到其他的望遠(yuǎn)鏡數(shù)據(jù)上。
　　3.對(duì)已

8、發(fā)現(xiàn)的WDMS構(gòu)造顏色特征模型。Szkody提出的測(cè)光判據(jù)為相關(guān)研究提供了有效的可行性依據(jù)，本論文通過(guò)構(gòu)建具有多項(xiàng)式特性的高維映射神經(jīng)網(wǎng)絡(luò)和徑向基神經(jīng)網(wǎng)絡(luò)，對(duì)WDMS的顏色特征進(jìn)行深度探索，擬合出分類效果更佳明顯的顏色特征模型，從而將該模型使用到SDSS發(fā)布的測(cè)光數(shù)據(jù)中，可以對(duì)海量的測(cè)光數(shù)據(jù)進(jìn)行有效的數(shù)據(jù)篩選，從而大大提高了數(shù)據(jù)挖掘的效率。同時(shí)將該模型作為前面分類模型的數(shù)據(jù)預(yù)處理模型，完成海量數(shù)據(jù)挖掘的數(shù)據(jù)篩選工作，然后使用分類模型完成