导读:本文包含了天体光谱论文开题报告文献综述及选题提纲参考文献，主要关键词:天体光谱,恒星大气参数,核岭回归,支持向量回归
天体光谱论文文献综述
李航飞[1]（2019）在《基于核岭回归的天体光谱参数自动测量研究》一文中研究指出天体光谱中蕴含着丰富的物理信息和化学信息,天体光谱数据的研究主要分为定性和定量分析。定性分析主要是确定天体的化学成分,而定量分析是要确定天体化学元素的含量、天体的温度、压力等参数值,进而间接地去确定天体的相关科学属性。我国的大天区面积多目标光纤光谱天文望远镜(简称LAMOST,又称郭守敬望远镜)是目前世界上光谱获取率最高的望远镜,它的建立和运行对于天文研究意义重大,对我国天文行业的发展具有深远影响。本文主要利用LAMOST天体光谱数据,研究核岭回归(KRR)方法在恒星大气物理参数测量方面的应用问题。主要内容如下:(1)原始光谱数据的预处理及特征提取。光谱预处理通常包括光谱去噪,流量归一化,连续谱拟合,谱线提取等,特征提取则包括物理特征检测和数学特征提取。一条一维光谱数据通常是对应一条数千维的向量,特征提取对于天体目标的科学参数测量及性质推断具有关键作用。本文采用了主成分分析法对光谱数据进行特征提取,这一方法即可以保留数据的主要特征又能降低数据的存储空间和后期计算的复杂度。(2)基于KRR方法的恒星大气参数自动测量。本文首先介绍了岭回归方法和核函数的理论发展。岭回归方法是最小二乘方法的变形,是在该方法的基础上添加了误差项,把无偏估计问题转换成有偏估计,在损失部分精度的情况下扩大了应用范围。其次研究了核函数的作用和选择,核函数和岭回归方法的结合即得到了KRR方法。基于该方法本文进行了恒星大气物理参数的自动测量,实验结果及误差分析表明该方法能够以较高精度来自动测量恒星大气参数。(3)基于数据聚类策略-KRR方法的恒星大气参数自动测量。与其它方法如支持向量回归(SVR)相比,KRR在应用中具有运行时间较长的缺点,但测量结果要略优,所以为了提高运行效率,本文采用数据聚类思想和KRR方法进行结合,进而来降低整体运行时间。本文分别对比了随机划分分组和基于K-means聚类分析思想分组,发现采用K-means算法效果更好,另外由于数据利用有效性的提高,在实现运行时间降低的同时,实验中参数测量结果的准确率也有相应的提高。(本文来源于《辽宁科技大学》期刊2019-03-18）
王菲[2]（2019）在《电偶极子模型在天体光谱中的应用》一文中研究指出与电介质中非极性分子的位移极化和极性分子的转向极化不同的是,天体致密大气层中的原子及分子间因碰撞也会产生电偶极矩,进而出现吸收过程,是研究带外行星和冷白矮星等天体光谱的重要理论基础.以冷白矮星为例,介绍其大气层中大量原子分子对之间的碰撞诱导偶极矩与电磁辐射相互作用产生的连续谱吸收.(本文来源于《大学物理》期刊2019年02期）
刘旭[3]（2017）在《一种高效的稀有天体光谱检索方法》一文中研究指出随着国内外光谱巡天计划的发展,人们已经获得了海量的光谱数据。如何利用机器学习方法对海量光谱数据进行系统地分析和处理,是天文学研究中一项非常重要的研究内容。本文提出了一种能够在天体光谱数据库中高效地进行稀有光谱检索的PU学习(PU Learning)方法。在给定少量的稀有天体光谱的条件下,如何在庞大的光谱数据库中系统地搜索与给定稀有光谱同类型的光谱是天文数据挖掘中的一个常见的问题。现有的大多数方法都是基于二分类来解决此类问题,但是当给定的稀有光谱样本数目非常有限时,利用二分类来解决此类问题往往会导致搜索结果的完备性比较差。事实上,基于排序的方法更加适合于解决此类问题。在调研了许多可以用于稀有天体光谱检索的方法后,我们建立了一种新的非常高效的稀有光谱检索方法,称作BaggingTopPush。BaggingTopPush方法主要使用了二部排序(Bipartite Ranking)和引导聚合(Bagging)技术。(本文来源于《软件》期刊2017年10期）
邓诗宇,屠良平[4]（2017）在《基于改进密度聚类算法的天体光谱自动分类处理》一文中研究指出随着我国大型巡天计划的迅速开展,海量天体光谱数据分类,尤其高效的自动化分类技术成为了我们迫切研究的重要课题.本文提出了根据密度可达原则,改进的密度聚类算法——哈曼顿距离密度算法(MD-DBSCAN),应用于多种我们熟知的光谱中.针对来源于美国SDSS-DR8的天体光谱数据,对比DBSCAN、NED-DBSCAN、MD-DBSCAN叁种算法的相关性能表现对比,得出相应的结论。(本文来源于《电子技术与软件工程》期刊2017年17期）
刘真祥,荣容,许婷婷,周卫红[5]（2017）在《基于深度信念网络的天体光谱自动分类研究》一文中研究指出把深度信念网络应用于天体光谱的分类.首先,使用小波变换对光谱数据进行降噪预处理,其次,采用PCA对光谱数据进行特征值提取降维,然后建立深度信念网络模型并构造分类器,最后使用该分类器对美国斯隆巡天项目的天体光谱数据进行激变变星的分类研究,并与受限波尔兹曼机网络进行了对比研究.由于深度信念网络对数据有深层次的学习能力,采用深度信念网络对天体光谱进行分类有一定优势.实验结果证明了分类方法的有效性.(本文来源于《云南民族大学学报(自然科学版)》期刊2017年02期）
韩博冲[6]（2017）在《天体光谱的预处理》一文中研究指出大天区面积多目标光纤光谱望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope)也就是我们本文提及的LAMOST望远镜。它在获取光纤光谱数据的同时会有一些来自外太空的干扰——宇宙射线,对后续的数据分析处理造成一定不利影响,在此,需要采用一些特殊的方法来对宇宙射线进行去除。本文的重点是对宇宙射线的检测与修复,首先对二位光纤光谱与宇宙射线的特性做了细致的对比研究,首先采用了基于模块分析的宇宙射线检测,并对该种方法进行了改进,来提高检测的准确率。同时,还提出了基于统计差分模型与ENI模型的对宇宙射线进行检测的方法,并在此基础上,对检测到的宇宙射线采用加权统计平均的方法对宇宙射线污染区域的像素进行修复。本文主要做了一下几个方面的工作:1、首先对整个LAMOST系统的工作原理进行了介绍,对二维光纤光谱在波长方向及色散方向上的轮廓进行了分析,光谱数据的轮廓波动变化比较平缓,对于存在其中的宇宙射线的轮廓变化却很剧烈,对宇宙射线大部分的检测算法都是基于这种特征进行检测的,还科普了FITS格式的一些知识。2、介绍了本文的重点宇宙射线的噪声模型,并对目前在宇宙射线去除时常用的叁个算法拉普拉斯检测算法、快速直方图算法与基于相邻像素间绝对差值的有序数组统计算法这叁个算法依次进行了详细的阐述。3、对基于模块分析去除宇宙射线算法进行了理论分析及介绍,而后为了提高该种算法的性能与运行速度,对此种算法进行了改进,实验结果表明,改进的算法对宇宙射线检测的准确率以及运行速度都有所提高。4、将基于差分统计模型与ENI模型运用到天文图像的处理上来,并能有效地对宇宙射线进行检测,实验表明检测的准确率很高,之后,对检测出的宇宙射线区域采用加权统计平均的方法进行恢复。实验结果表明本文的方法对宇宙射线能有效地进行检测,并且对被宇宙射线污染的像素有着很好的修复能力。(本文来源于《河北工业大学》期刊2017-03-01）
艾丽雅[7]（2016）在《天体光谱的分类算法研究》一文中研究指出郭守敬望远镜(简称LAMOST)是国家“九、五”重大科学工程项目之一,是一架横卧于南北方向的新类型、大视场兼备大口径的中星仪式反射施密特望远镜。LAMOST是目前世界上光谱获取率最高的望远镜,在每个观测夜能够获得多达几万条光谱数据。面对LAMOST所观测到的如此惊人的光谱数据量,一些传统的人工处理光谱的方法明显已不再适用,迫切需要研究和寻找一些高效率的光谱分类方法,而数据挖掘中一些比较经典的算法也越来越多的被应用于天体光谱数据的分类中,本文即是基于LAMOST海量光谱自动处理需求进行了光谱自动分类的研究,主要工作包含以下叁个部分:(1)光谱数据的预处理及光谱特征的提取工作。本文所使用的数据来自LAMOST-DR1和SDSS-DR8的光谱数据,所涉及的光谱数据类型包括恒星、星系和类星体。在经过噪声处理、流量归一化等预处理工作后,本文采用主成分分析法(Principal Component Analysis,PCA)对光谱进行了特征提取,即取其方差贡献率大于%99的特征值所对应的特征光谱所生产子空间作为特征空间,所相应光谱在该特征空间上的投影作为光谱分类方法的输入特征向量。(2)基于双距离加权K-近邻(Dual Distance-weighted K-Nearest Neighbor,DWKNN)的光谱分类方法。双距离加权K-近邻算法是在k-近邻和加权K-近邻算法基础上的一个改进算法。本文将它成功的应用于SDSS-DR8数据的恒星、星系和类星体的光谱分类中,实验结果表明DWKNN算法对这叁种光谱的分类精度分别可以达到99.12%、98.73%和93.57%,效果优于传统的K-近邻和加权K-近邻算法。(3)基于K-means-SVM的光谱分类方法。K-means方法和支持向量机(Support Vector Machine,SVM)方法都是数据挖掘中经典的算法。K-means方法属于无监督的分类方法,该方法简单无需训练样本,但是它在光谱数据分类上的效果并不是很理想;而SVM方法是有监督的分类方法,较K-means方法分类精度有所提高,但需要人工标注的训练样本来建立分类模型,这在无形之中就增加了许多的工作量。因此,这两种方法在原理上可以互补,本文将K-means方法和SVM方法结合起来形成一种半监督的分类方法,应用于LAMOST-DR1中的星系和类星体数据的分类和SDSS-DR8中的恒星和星系数据分类上。取得了较为理想的效果。(本文来源于《辽宁科技大学》期刊2016-01-11）
赵永恒[8]（2015）在《LAMOST天体光谱巡天》一文中研究指出文章着重介绍了中国自主创新的LAMOST望远镜以及所取得的光谱巡天成果。LAMOST是一种新型的反射施密特望远镜,它突破了大规模光谱巡天所需要的大视场兼备大口径望远镜的技术瓶颈,成为世界上天体光谱获取率最高的望远镜。自2011年10月到2014年6月,LAMOST获得了413万条天体光谱,其中有378万条恒星光谱和包括220万条恒星光谱的参数星表。(本文来源于《物理》期刊2015年04期）
司建敏,罗阿理,吴福朝,吴毅红[9]（2015）在《在SDSS DR8恒星光谱中自动搜寻稀有天体》一文中研究指出SDSS DR8海量光谱中包含许多有研究价值的稀有天体,如特殊白矮星(DZ,DQ,DC)、碳星、白矮主序双星、激变变星等,如何在海量光谱中自动搜寻稀有天体有着极其重要的意义。提出一种基于核密度估计和K-近邻(K-nearest neighbor,KNN)相结合的方法在SDSS DR8信噪比大于5的546 383个恒星光谱中搜寻稀有天体。首先对光谱进行高斯核密度估计,选取概率最小的5 000个光谱作为稀有类,概率最大的300 000个光谱作为普通类,然后进行KNN分类,同时也将5 000个稀有光谱的K个最近邻也作为稀有的天体,结果共有21 193条光谱。为了方便分析,对这些光谱聚类后进行人工检查。这些光谱主要包括由于数据缺失、红化、流量定标不准引起的问题光谱、行星状星云、没有物理联系的光谱双星、类星体、特殊白矮星(DZ,DQ,DC)、碳星、白矮主序双星、激变变星等。通过和SIMBAD,NED,ADS及一些主要的文献交叉验证,我们新发现了3个DZ白矮星、1个白矮主序双星、2个伴星为G型星的激变变星,3个激变变星的候选体、6个DC白矮星,1个DC白矮星候选体和1个BLLracertae(BLlac)候选体。还发现了1个有CaⅡ叁重发射线和MgⅠ发射线的DA白矮星和1个光谱上表现出发射线的晚M恒星但测光图上像是一个星云或星系。(本文来源于《光谱学与光谱分析》期刊2015年03期）
魏会明[10]（2014）在《天体光谱的自动处理算法研究》一文中研究指出郭守敬望远镜,(简称LAMOST)是国家“九、五”重大科学工程项目之一,是一架横卧于南北方向的新类型的大视场兼备大口径的中星仪式反射施密特望远镜。LAMOST在每个观测夜能够获得多达几万条光谱数据,是目前世界上光谱获取率最高的望远镜。面对LAMOST所产生的海量光谱数据,一些传统的人工处理光谱的方法已不再使用,迫切需要研究和寻找一些高效率的光谱自动处理方法。本文研究的工作主要包括以下叁部分:(1)超新星候选范围的快速约减。本文提出了一种新的超新星候选范围约减算法(SKLOF),根据超新星本身具有稀有的特性,首先利用数据剪枝思想剪枝掉大部分肯定不是超新星候选的光谱数据,然后利用PCA算法对光谱数据进行分析并构造超新星特征空间,利用改进后的LOF算法对光谱数据进行离群分析。(2)天体光谱的分类。本文利用SDSS-DR8的光谱数据,将基于局部均值的K近质心近邻点(Local Mean-based K-Nearest Centroid Neighbor,LMKNCN)算法应用到恒星、星系和类星体的分类中,并且取得了较好地效果。由于星系和类星体都属于河外天体,红移比较大,二者的光谱分类在光谱自动处理中具有一定的代表性,因此本文同时也研究了基于局部均值的K近邻算法在星系和类星体光谱的分类中的应用,并且取得了较高的光谱分类正确率。(3)恒星光谱大气物理参数测量。恒星大气参数即表面有效温度(Teff)、表面重力加速度(log g)以及金属丰度([Fe/H])对科学家研究宇宙的演化等重大科学问题具有重要的意义。因此本文研究了基于质量估计的恒星大气物理参数自动测量方法,该方法首先是建立质量分布,将原始光谱数据经过质量估计算法映射到质量空间,然后在质量空间利用SVR方法对恒星的大气物理参数进行预测且取得了不错的效果。(本文来源于《辽宁科技大学》期刊2014-12-24）
天体光谱论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
与电介质中非极性分子的位移极化和极性分子的转向极化不同的是,天体致密大气层中的原子及分子间因碰撞也会产生电偶极矩,进而出现吸收过程,是研究带外行星和冷白矮星等天体光谱的重要理论基础.以冷白矮星为例,介绍其大气层中大量原子分子对之间的碰撞诱导偶极矩与电磁辐射相互作用产生的连续谱吸收.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
天体光谱论文参考文献
[1].李航飞.基于核岭回归的天体光谱参数自动测量研究[D].辽宁科技大学.2019
[2].王菲.电偶极子模型在天体光谱中的应用[J].大学物理.2019
[3].刘旭.一种高效的稀有天体光谱检索方法[J].软件.2017
[4].邓诗宇,屠良平.基于改进密度聚类算法的天体光谱自动分类处理[J].电子技术与软件工程.2017
[5].刘真祥,荣容,许婷婷,周卫红.基于深度信念网络的天体光谱自动分类研究[J].云南民族大学学报(自然科学版).2017
[6].韩博冲.天体光谱的预处理[D].河北工业大学.2017
[7].艾丽雅.天体光谱的分类算法研究[D].辽宁科技大学.2016
[8].赵永恒.LAMOST天体光谱巡天[J].物理.2015
[9].司建敏,罗阿理,吴福朝,吴毅红.在SDSSDR8恒星光谱中自动搜寻稀有天体[J].光谱学与光谱分析.2015
[10].魏会明.天体光谱的自动处理算法研究[D].辽宁科技大学.2014