ANN在天体光谱分类及恒星大气参数测量中的应用

摘要

天体光谱中蕴含着丰富的天体物理信息。通过对天体光谱的分析，可以定性或定量地确定天体的物理、化学成分，直接或间接地测定天体的参数。数据挖掘技术就是从大量的、不完全的、有噪声的、模糊的随机数据中，提取隐含于其中而人们事先不知道但又潜在有用的知识和信息的过程。数据挖掘技术为高维天体光谱数据的分类及参数的自动测量提供了很好的支持。
　　 随着LAMOST巡天计划的开始，每个观测夜将产生数万条的光谱。这些海量数据的分析显然不能通过传统的人工方法进行，因此对光谱的自动处理算法的研究十分重要。与一些传统算法相比，人工神经网络具有很强的非线性映射能力、良好的适应性和容错性，在天文学中得到了广泛的应用。本文主要研究基于人工神经网络算法的天体光谱分类及恒星大气参数的自动测量。
　　 本研究的主要工作如下:
　　 (1)高维光谱数据的特征提取。本文先对光谱进行预处理，然后分别采用基于丰分量的特征值提取法和矩阵奇异值分解法对光谱的丰要特征进行提取，将高维的光谱投影到低维空间，在保留数据丰要特征的同时降低处理的时间和空间复杂度。比较两种方法对光谱数据的特征提取以及对分类、参数估计的影响。
　　 (2)天体光谱的粗分类。本文使用SDSS数据，首先将天体光谱投影到不同的特征空间，再使用BP神经网络模型和径向基神经网络模型对投影后的数据进行分类，并比较使用各种方法所需时间及分类误差。得到对不同的天体光谱数据进行分类的较好方法。
　　 (3)恒星大气参数的自动测量。恒星的重力加速度、有效温度和化学丰度是恒星三个主要的大气参数。本文使用ELODIE实测恒星光谱库，先对其进行预处理，连续谱归一化以及剔除奇异数据并提取光谱数据的三个主要大气参数。然后分别使用BP神经网络模型和径向基神经网络模型对这三个参数进行自动估计，比较估计值和真实值的差异并进行误差分析。最后，得到使用神经网络模型的最佳参数区间范围。

目录

声明

摘要

第1章 绪论

1．1 引言

1．2 LAMOST项目简介

1．3 LAMOST的意义及科学目标

1．4 本文的研究背景

1．5 本文的工作介绍和篇章安排

第2章 天体光谱分析

2．1 天体光谱

2．2 天体光谱分析方法及现状

2．3 天体光谱的分类

2．4 恒星大气参数的自动估计

第3章 人工神经网络算法在天体光谱分类及参数测量的

3．1 人工神经网络算法简介

3．2 BP神经网络介绍

3．2．1 BP神经网络结构

3．2．2 BP神经网络的学习规则

3．2．3 BP神经网络的设计技巧

3．2．4 BP神经网络的不足和改进

3．3 径向基(RBF)函数网络

3．3．1 RBP的网络结构

3．3．2 RBP的学习过程

3．4 人工神经网络在天文学的应用

第4章 实验及结果分析

4．1 实验准备

4．1．1 实验环境

4．1．2 数据格式——FITS文件

4．1．3 天体数据的主要降维方法

4．2 实验结果及分析

4．2．1 实验一

4．2．2 实验二

4．2．3 实验三

4．2．4 实验四

4．2．5 实验五

4．2．6 实验六

4．2．7 实验七

4．3 实验总结

第5章 结论与展望

参考文献

致谢

攻读学位期间发表的学术论文目录

学位论文评阅及答辩情况表