尘埃遮蔽的Starburst-AGN复合星系的能谱研究

发布时间：2019-09-19 02:13

【摘要】：由于激烈的恒星形成活动和超大质量黑洞的吸积活动耦合在一起同时进行,尘埃遮蔽的Starburst-AGN复合星系代表了星系的形成和演化过程中的一个重要阶段,并且是认识Starburst-AGN联系的理想实验室。能谱分布(SEDs)蕴含了关于这类有趣的天体中恒星形成、星族和AGN活动等方面的丰富信息。然而,通过能谱的分析来有效地提取这些物理信息在目前仍然是一个非常困难的问题。 本文首先从星系能谱分布的基本概念、多波段能谱的观测、星系能谱分布的理论模型、星系能谱分布的分析(或拟合)方法等方面对此研究领域做了系统性的介绍。之后,本文重点介绍了我们在这个领域内所做的一些工作。 AGN的光度函数是帮助人们认识AGN活动及其演化的一个重要的可观测量。在实践中,AGN光度函数的测量需要相互独立且各自都存在一定局限性的不同波段的观测。为了准确地测量AGN的光度函数,我们需要结合多波段的观测以得出一个自洽的结果。有鉴于此,基于一个改进的AGN能谱模型,我们给出了AGN的硬X-ray光度函数和IR光度函数的一个详细的比较。我们发现,从硬X-ray光度函数出发而利用AGN能谱得出的相应IR光度函数倾向于低估高IR光度的AGN的数量。这种低估的情况独立于AGN的硬X-ray光度函数的选择,并且对最新的硬X-ray光度函数还更加明显。我们表明,在观测上独立获得的AGN的硬X-ray光度函数和IR光度函数之间的这种不一致可以通过在AGN的能谱模型中适当考虑进UV到X-ray的斜率αox与UV光度LUV之间的反相关而在很大程度上得到解决。另外,我们也讨论了以上的这种不一致的其它可能解释,例如在现有的X-ray观测中遗漏的大量康普顿厚的AGN、寄主星系中恒星形成过程对mid-IR的贡献等。与此同时,我们发现,如果假设Quasars(?)(?)Seyferts这两类不同的AGN周围的遮蔽介质按不同的方式分布和演化,那么AGN的硬X-ray光度函数和IR光度函数之间将更加一致。这个结果与人们普遍接受的认为这两类AGN的机制存在根本的不同的观点相一致。 尘埃遮蔽的Starburst-AGN复合星系比AGN更加复杂,而其多波段能谱也更加复杂、更加难以分析。为了能更好地认识这些复杂的星系,我们组建了BayeSED一套能利用各种能谱模型或者它们的线性叠加来对星系的能谱进行详细的贝叶斯分析的程序。其中,人工神经网络、主成分分析、和多峰嵌套采样等方法的采用使得能谱的贝叶斯分析更加高效。作为一个示范,我们将此程序应用于对一个超高光度红外星系样本进行详细的贝叶斯能谱分析,包括贝叶斯模型比较和参数估计。通过利用贝叶斯证据值来对纯Starburst.纯AGN以及两者的线性叠力(?)Starburst+AGN三种模型进行比较,我们发现,对此样本中的星系而言,Starburst+AGN模型总是具有最高的可能性。根据计算得出的不同模型的贝叶斯证据值以及估计的Starburst成分和AGN成分的红外光度,我们发现此超高光度红外星系样本中的星系因其主导能源的不同而分为A类和B类。另外,通过对这两类星系的其它Starburst参数和AGN参数作的一些简单的统计相关性分析,我们发现,A类星系中AGN周围的尘埃环中尘埃含量要比相应B类中的尘埃含量更高一些,而B类星系中Starburst区的OB型星比例更高并且分布在更大的尺度上。这些结果是与人们当前的星系通过并和而形成和演化的整体图景相一致的。总而言之,初步的应用表明,我们的BayeSED程序给出的结果是合理的。因此,它可以成为一个可靠而又高效的工具,能通过对能谱的详细分析来帮助人们认识像尘埃遮蔽的Starburst-AGN复合星系这样复杂的系统。
【学位授予单位】：中国科学院研究生院（云南天文台）
【学位级别】：博士
【学位授予年份】：2012
【分类号】：P152

【共引文献】

相关期刊论文 前10条

1 易继锴,陈双叶,王琳;模糊神经网络及其在温度控制系统中的应用[J];北京工业大学学报;1999年02期

2 ;DEGREE OF APPROXIMATION BY SUPERPOSITIONS OF A SIGMOIDAL FUNCTION[J];Approximation Theory and Its Applications;1993年03期

3 李勇,郭平;Sigmoid传输函数与三层前馈神经网络的映射能力[J];北京师范大学学报(自然科学版);2001年05期

4 李恒嵬;;模糊神经网络研究现状综述[J];辽宁科技学院学报;2010年02期

5 张菊清;聂建亮;杨淑靖;;基于BP神经网络的地图数字化误差纠正[J];测绘科学;2008年03期

6 王殿辉,王国峰,周亦武;工业用神经PH值检测仪的研究[J];测试技术学报;1998年03期

7 施式亮,汤广发,何利文;基于小波神经网络的建筑火灾预测模型及应用[J];铁道科学与工程学报;2005年02期

8 蔡方凯;张松;董凯宁;;小波函数的电路合成方法[J];电讯技术;2008年03期

9 肖志怀;郑应霞;王俊生;;基于RBF神经网络的闸门综合自动化系统失效参数处理[J];水电自动化与大坝监测;2005年06期

10 王英杰,刘 才,王英华;多层神经网络的快速BP算法[J];燕山大学学报;2002年03期

相关会议论文 前10条

1 Yu Kerwei;Yang Tsunlirng;;A Case Study of Yacht's Motions Represented by Using Stewart Platform[A];第二十七届中国控制会议论文集[C];2008年

2 肖瑛;李振兴;刘国枝;张琳波;;双模式神经网络盲均衡算法研究[A];第十二届全国信号处理学术年会（CCSP-2005）论文集[C];2005年

3 林培群;徐建闽;傅惠;梁俊斌;;基于多分支BP网络模型的车型分类研究[A];可持续发展的中国交通——2005全国博士生学术论坛（交通运输工程学科）论文集（下册）[C];2005年

4 王科俊;李殿璞;李国斌;;单纯神经适应控制系统的构成[A];1993中国控制与决策学术年会论文集[C];1993年

5 周金荣;胡泽新;黄道;;一种多层混合型神经网络模型的研究[A];1995中国控制与决策学术年会论文集[C];1995年

6 王笑颜;符雪桐;;基于神经网络的非线性广义预测控制器[A];1998中国控制与决策学术年会论文集[C];1998年

7 达飞鹏;;非线性关联大系统分散自适应滑模控制研究[A];2001中国控制与决策学术年会论文集[C];2001年

8 李杰;田学民;;基于神经网络的一种预测控制算法[A];2001中国控制与决策学术年会论文集[C];2001年

9 Meng Joo Er;;Genetic Algorithms for MLP Neural Network Parameters Optimization[A];2009中国控制与决策会议论文集（3）[C];2009年

10 ;A Novel Neuro-Fuzzy Model-Based Run-to-run Control for Batch Processes with Uncertainties[A];2009中国控制与决策会议论文集（3）[C];2009年

相关博士学位论文 前10条

1 包健;有限精度权值神经网络优化的研究与应用[D];华东理工大学;2011年

2 车勇;轮胎噪声的预测方法与试验研究及优化设计[D];武汉理工大学;2010年

3 刘贵;精毛纺织品虚拟加工中的预报与反演模型研究[D];东华大学;2010年

4 沙丽荣;基于正交基神经网络的结构可靠性分析[D];吉林大学;2011年

5 刘怀广;浮法玻璃缺陷在线识别算法的研究及系统实现[D];华中科技大学;2011年

6 胡毅;关节式坐标测量机热变形误差建模及修正研究[D];合肥工业大学;2011年

7 李寿林;基于神经网络的微波射频MOSFET器件建模[D];华东师范大学;2011年

8 许凌飞;基于炉口火焰光谱信息的转炉炼钢终点在线碳含量测量方法研究[D];南京理工大学;2011年

9 张奇勋;认知无线网络中导频信道设计和自组织关键技术研究[D];北京邮电大学;2011年

10 李睿;信用评估与信用卡欺诈侦测的智能决策系统研究[D];华南理工大学;2011年

相关硕士学位论文 前10条

1 张华杰;模糊神经网络在肺癌诊断中的应用[D];郑州大学;2010年

2 谭帅;基于DWO算法的预测控制及在电力负荷预测中的研究与应用[D];长沙理工大学;2010年

3 袁德祥;基于自抗扰控制技术的AUV运动控制的研究与仿真[D];中国海洋大学;2010年

4 于柏森;发动机机械故障诊断系统分类器设计[D];长春工业大学;2010年

5 杨海锋;基于RBF神经网络的气动位置伺服系统的研究[D];昆明理工大学;2010年

6 杨敏;基于数据驱动的非线性建模方法的研究[D];浙江大学;2011年

7 朱珠;压电陶瓷驱动器特性研究及二维微纳定位平台结构设计[D];浙江大学;2011年

8 孙宇;关联分析中SNP与疾病关联关系建模研究[D];西安电子科技大学;2010年

9 陈静;无模型自适应模糊控制器的仿真与实验[D];西安电子科技大学;2009年

10 王化中;球面神经网络构造与逼近问题研究[D];杭州师范大学;2011年

，

本文编号：2537829