模式识别方法在天体光谱自动处理中的应用

发布时间：2020-07-30 15:43

【摘要】：随着观测手段的不断进步,天体光谱数据在迅速增加,我国在建的LAMOST望远镜,每个观测夜可以得到2-4万条天体光谱.面对如此巨大的海量数据,采用自动的光谱分析与识别方法已成为必然的选择.天体光谱的自动分析与识别主要包括光谱分类、参数测量和谱线证认.针对光谱自动处理的各个环节,我们利用模式识别的方法对星系光谱的自动处理相关技术进行了研究.主要工作有: 1.对光谱的去噪进行了研究,提出了一种基于均值漂移的自适应双边滤波方法.其性能仅取决于空域的核尺度参数,幅度域的核尺度是根据信号的局部特征自适应选取的.该方法能够去除脉冲噪声,能有效抑制非脉冲噪声,并有较强的边缘保护能力,比较适合非发射线天体光谱的去噪. 2.非发射线天体光谱是天体光谱谱线自动提取中最难处理的一种.已有的谱线自动提取方法大都对发射线天体光谱较为有效,而对谱线较弱的非发射线天体光谱处理不好.提出了一种适于非发射线天体光谱的谱线自动提取方法.首先,采用迭代处理拟合出较为满意的连续谱;其次,联合采用整体阈值处理和自适应的局部阈值处理提取谱线.实验结果表明:该方法的性能较之传统的小波方法有显著的提高. 3.提出了一种新的星系光谱分类方法,将星系光谱分为正常星系和活动星系.先对原始光谱进行二进小波分解,选择主要包含谱线信息的第四级小波系数作为光谱的小波特征.再利用主分量分析对光谱的小波特征进行特征压缩,得到光谱的识别特征.最后利用Fisher线性判别分析实现分类.不同于已有的方法,该方法能够在红移值未知的情况下,对流量未定标的星系光谱进行识别. 4.红移测量和谱线证认是天体光谱自动识别中最重要的内容.本文提出了一种基于知识的天体光谱的红移测量和谱线证认方法.首先,利用谱线的相关知识对红移候选和特征谱线候选进行了定义,并根据定义交叉确认红移候选和特征谱线候选,然后,利用Parzen窗法对所得到的红移候选集进行密度估计,最后,确定密度最大的红移候选,将落入其Parzen窗内的所有红移候选值进行平均得到红移,与这些红移候选值相对应的谱线候选即为谱线.与现有的基于谱线匹配的方法相比,该方法对谱线提取效果的依赖程度较低. 5.提出了一种新的基于交叉相关的红移测量方法.该方法首先利用提取出的谱线
【学位授予单位】：西安电子科技大学
【学位级别】：博士
【学位授予年份】：2005
【分类号】：P144
【图文】：

天体光谱,天体,银河系,化学元素

指餮猓煌嘈奶焯澹嘌釩垂馄啄苋啡系奶焯逦锢砝嘈啔6]如图1-2所示，图中首先以银河系为界线把天体划分为：河内天体和河外天体．原因主要是因为我们所处的地球在银河系内部，银河系外的天体则基本上都是和银河系一样规模或组成比它更大或较小的天体，叫星系．因为它们速度很大，离地球很远，因此我们看到天空中的很多天体是银河系内的恒星，但也有一些是银河系以外的星系天体．它们的划分首先能对宇宙大尺度的构成研究发挥作用．河外天体主要是星系，星系是由成千上亿的恒星、星际物质及暗物质组成的，从它是否具有活动辐射区，又可分成活动星系和正常星系．活动星系根据具有活动星系核活动还是其他剧烈活动，又分成活动星系核（Active Galactic Nucleus，AGNs）和星暴星系．而AGNs又分类星体、赛弗特I和II、蝎虎BL Lac、低电离核发射区LINER等．另外，由于AGNs的显著特性，天文上通常把它单独从活动星系中分出来自成一类．本

实验数据,高斯滤波,中值滤波,均方误差

图 4-1 实验数据图 4-2 实验结果，高斯滤波(上)，中值滤波(中)，本文方法(下)为了对这 3 种方法作一定量的比较，我们对图 4-1 中原始数据加入均值为 0、均方差σ 不同的高斯白噪声．表 4-1 为 3 种方法产生的均方误差的比较．可以看出：当信噪比较低时，高斯滤波产生的均方误差小于另外两种方法，而本文方法的均方误差小于中值滤波；随着信噪比的增加，高斯滤波的均方误差逐渐大于另外两种方法，而本文方法的均方误差逐渐大于中值滤波．这是因为在低信噪比情况下噪声残留引起的误差占主导地位，而在高信噪比情况下信号边缘处的误差占主导地位．由此可以得出：在抑制高斯噪声时，高斯滤波最优，本文方法次之，中值滤波最差；而在保持边缘的性能方面，中值滤波最优，本文方法次之，高斯滤波最差．因此在信噪比较低时，本文方法整体上优于中值滤波和高斯滤波．表 4-1 3 种方法产生的均方误差比较σ =1/4 σ =1/3 σ =1/2 σ =1 σ =2

高斯滤波,中值滤波,实验结果,方法

【共引文献】