低信噪比巡天数据中特殊恒星光谱的搜寻方法

发布时间：2021-12-11 20:45

　　特殊恒星是金属丰度异常的恒星,其中包含的信息对于研究宇宙起源、太阳系的演变以及生命的演化都有着重要的意义。因此,特殊恒星的搜寻是国内外巡天项目中的重要目标。恒星光谱中包含着恒星的化学成分、物理性质以及运动状态等丰富的信息,它是开展恒星研究的重要依据。恒星的识别、分类以及特殊恒星的发现主要依据的是恒星光谱数据。随着LAMOST和SDSS等国内外大规模数字巡天项目的深入展开,恒星光谱的数据量达到了前所未有的高度,如此大的数据量为特殊恒星的发现提供了强有力的支撑。因此如何利用这些数据快速准确地发现特殊、稀少甚至于未知类型的恒星光谱是天文学研究的重要问题。数据挖掘是结合模式识别、机器学习、统计分析及相关专家背景知识,从数据中提取出隐含的过去未知的有价值的潜在信息的技术,其在处理大数据方面有着天然的优势,越来越多的数据挖掘方法被应用到巡天数据处理及分析之中。目前针对特殊恒星搜寻的数据挖掘算法主要包含随机森林、聚类分析以及异常值检测等,但随着巡天深度的拓展,观测的目标越来越暗,进而观测光谱的信噪比也随之变低。低信噪比光谱中存在着大量的无用信息,直接利用相关算法对其进行分析处理得到的结果往往存在很大... 

【文章来源】：光谱学与光谱分析. 2019,39(02)北大核心EISCICSCD

【文章页数】：4 页

【部分图文】：

图１前１５个特征向量Ｆｉｇ．１ＴｈｅＦｉｒｓｔ１５ｅｉｇｅｎ－ｖｅｃｔｏｒｓ

．００１１９９．９９４８从表１中看出，这些特征向量的方差贡献率累积已超过９９．９９％，方法后续试验采用这１５个特征向量，其特征向量如图１所示。对于任何一条恒星光谱，都可以上述步骤中获得到的特征向量进行重构。重构时将恒星光谱降维到特征空间内，然后分别乘以特征向量加和即可得到重构之后的光谱。为检验本文方法，分别选取了两条文献［９］中的两条模板光谱，通过叠加高斯噪声分别模拟信噪比１，３，５，７，９和１１的光谱；图２及图３中六个子图中红色线为原始光谱、黄色线为叠加噪声之后的光谱、蓝色线为重构之后的光谱。从图中红线和蓝线的吻合程度可以看出该方法可以非常有效的对光谱尤其是低信噪比的恒星光谱进行重构。图１前１５个特征向量Ｆｉｇ．１ＴｈｅＦｉｒｓｔ１５ｅｉｇｅｎ－ｖｅｃｔｏｒｓ图２不同信噪比的Ｍ型光谱重构结果Ｆｉｇ．２ＴｈｅｒｅｓｕｌｔｏｆｓｐｅｃｔｒａｌｒｅｃｏｎｓｔｒｕｃｔｉｏｎｆｏｒａＭ－ｔｙｐｅｓｐｅｃｔｒａｗｉｔｈｄｉｆｆｅｒｅｎｔＳＮＲｓ１．２基于密度峰值的聚类方法文献［１０］中提出一种基于密度峰进行快速聚类的方法，该方法认为聚类中心应该具有以下两个特点：（１）本身密度大，即它邻居的密度要小于该点；（２）与其他密度更大的点距离相对更大。对于样本集Ｓ中任何一个点ｘｉ，可以为其定义两个变量：ρｉ及σｉ。局部密度：ρｉ。本文采用的计算公式如下：ρｉ＝∑ｊ∈ＩＳ＼｛ｉ｝Ｘ（ｄｉｊ－ｄｃ）其中函数第２期光谱学与

图３不同信噪比的Ｇ型光谱重构结果Ｆｉｇ．３ＴｈｅｒｅｓｕｌｔｏｆｓｐｅｃｔｒａｌｒｅｃｏｎｓｔｒｕｃｔｉｏｎｆｏｒａＧ－ｔｙｐｅｓｐｅｃｔｒａｗｉｔｈｄｉｆｆｅｒｅｎｔＳＮＲｓＸ（ｘ）＝１ｘ＜００ｘ≥｛０参数ｄｃ定义为截断距离，从公式中可以看出ρｉ表示的是Ｓ中与Ｘｉ距离小于ｄｃ的数据点的个数。距离σｉ：设｛ｑｉ｝ｎｉ＝１表示｛ｐｉ｝ｎｉ＝１的一个降序排列下标序，即它满足ρｑ１≥ρｑ２≥…≥ρｑＮ则可以定义δｉ＝ｍｉｎｑｊ，ｊ＜ｉ｛ｄｑ，ｑｊ｝ｉ≥２ｍａｘｊ≥２｛δｑｊ｝ｉ＝烅烄烆１这样，对于Ｓ中的每一个数据点ｘｉ，可为其计算（ρｉ，σｉ），如图４所示例子，其中共包含了２８个二维数据点如图４（ａ）所示，将（ρｉ，σｉ）表示二维图（称之为决策图）中如图４（ｂ）所示。可以发现，１号和１０号点都具有较大的ρ和δ值，这两个点即为所有寻找的簇心，同时发现编号２６，２７和２８三个数据点即为离群点，在图４（ｂ）中这三个点的ρ值很小同时δ值很大。图４基于密度峰值的聚类例子Ｆｉｇ．４Ａｓａｍｐｌｅｏｆｃｌｕｓｔｅｒｉｎｇｕｓｉｎｇｔｈｅｍｅｔｈｏｄｏｆｄｅｓｎｉｔｙｐｅａｋ１．３低信噪比巡天数据中特殊恒星光谱搜寻方法提出的从低信噪比巡天数据中搜寻特殊恒星光谱的方法，综合前述恒星光谱重构以及光谱聚类方法，具体步骤如下：（１）对于所


本文编号：3535371