检索结果-南通市图书馆

检索条件"主题词=钡巨星"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于机器学习的LAMOST光谱中钡巨星搜索方法研究

基于机器学习的LAMOST光谱中钡巨星搜索方法研究

引用

作者：郭峰岳山东大学

学位级别：硕士

钡巨星是一类化学性质特殊的G-K型恒星,具有慢中子捕获过程元素增丰的特性,尤其是在Sr Ⅱ4077 A和Ba Ⅱ 4554 A处增丰较强。钡巨星化学丰度分析可以为渐近巨星分支星的中子捕获核合成模型提供约束,进而为银河系的化学演化研究提供重要线... 详细信息

钡巨星是一类化学性质特殊的G-K型恒星,具有慢中子捕获过程元素增丰的特性,尤其是在Sr Ⅱ4077 A和Ba Ⅱ 4554 A处增丰较强。钡巨星化学丰度分析可以为渐近巨星分支星的中子捕获核合成模型提供约束,进而为银河系的化学演化研究提供重要线索,然而目前被证认的钡星样本数量以及具有化学丰度分析研究的样本数目对于进一步的研究来说还远远不够。近年来大型天文观测设备提供的光谱数量越来越多、质量越来越高,同时机器学习也得到了长足的发展,为钡巨星的搜寻以及化学丰度分析提供了良好的数据支持与新的方法。本文采用五种常用的机器学习算法在LAMOST（Large Sky Area Multi-Object Fiber Spectroscopic Telescope）低分辨率光谱中搜寻钡巨星,分别构建了基于不同特征带的两个分类器,用于识别锶（Sr）增丰的钡巨星和钡（Ba）增丰的钡巨星,实验结果表明基于全光谱特征的LightGBM（Light Gradient Boosting Machine）算法表现效果最好,在Sr增丰测试集上精确率为98.98%,召回率为99.53%;在Ba增丰数据集上的精确率为99.92%,召回率99.84%。在钡巨星化学丰度估计中,LightGBM算法预测[Sr/Fe]与[Ba/Fe]也达到了很好的准确度。本文的创新点是率先将机器学习算法LightGBM应用到钡巨星分类及化学丰度预测中,验证不同机器学习算法在不同特征带上的表现,最终构建可靠的分类模型及丰度预测模型。本文的主要工作和创新点有:（1）建立样本数据和数据预处理实验使用LAMOST DR8中的6543条低分辨率G-K型恒星光谱,正样本钡星数据来源于Li等人研究（810条光谱）和Norfolk等人提供的星表（867条光谱）与LAMOST DR8低分辨率光谱交叉得到。恒星大气参数由ULySS包计算提供,数据统一进行归一化和视向速度纠正的预处理。（2）特征选择Sr分类模型使用SrⅡ 4077 A和4215 A,Ba分类模型使用BaⅡ 4554 A、4934 A和6496 A,然后对比20 A特征带、70 A特征带以及全光谱作为特征输入的模型效果。（3）分类模型构建我们选择了适用于小样本的机器学习算法SVM与泛化能力强的LightGBM算法分别训练两个分类模型:Sr增丰分类模型和Ba增丰分类模型,采用线性插值方法来扩增训练集的正样本数量,这也是本文中的创新点之一。此外对比了 KNN、SVM、RF、XGBoost和LightGBM算法在钡巨星判别器中的表现效果。（4）预测模型构建基于LightGBM算法构建两个预测模型分别估计了钡巨星样本的[Sr/Fe]与[Ba/Fe],发现[Ba/Fe]在Ba Ⅱ 4554 （?）处估计值比4934 （?）处估测[Ba/Fe]的离散度更小,其MAE4554（?）=0.07,σ4554（?）=0.12;估测[Sr/Fe]时,在SrⅡ4077 （?）处吸收线的效果比在SrⅡ4215（?）处表现好,其 MAE4077（?）=0.09,σ4077（?）=0.16。本工作为下一步在 LAMOSTDR8 提供的海量光谱中搜寻钡巨星候选体并估计[Ba/Fe]、[Sr/Fe]奠定了基础。

关键词：机器学习 LightGBM 钡巨星慢中子俘获过程元素元素丰度

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的特殊天体搜寻研究

基于深度学习的特殊天体搜寻研究

引用

作者：程中鼎山东大学

学位级别：硕士

热亚矮星是一种罕见的特殊天体,质量较低仅仅约为太阳质量的一半。热亚矮星的光谱型与主序星(O、B)相似,但亮度较低,光谱特征更宽。它们大多处于中心氦燃烧阶段,在赫罗图中位于水平分支星的最蓝端,因此也被称为极端水平分支星。热亚矮... 详细信息

热亚矮星是一种罕见的特殊天体,质量较低仅仅约为太阳质量的一半。热亚矮星的光谱型与主序星(O、B)相似,但亮度较低,光谱特征更宽。它们大多处于中心氦燃烧阶段,在赫罗图中位于水平分支星的最蓝端,因此也被称为极端水平分支星。热亚矮星被认为是椭圆星系核球紫外超的主要来源,对研究双星系统的相互作用和Ia型超新星前身星亦提供了关键信息。因此,搜寻热亚矮星以扩充已有的热亚矮星样本数量对银河系的结构和演化研究具有十分重要的意义。天体的光谱观测研究是天文研究的重要手段之一,光谱数据包含着丰富的天体物理学信息,例如大气参数、化学成分、质量、亮度等。目前,LAMOST光谱巡天项目的开展,为热亚矮星的搜寻提供了丰富的数据基础。但与此同时,海量光谱数据对传统的天文数据处理方法提出了挑战。目前,机器学习技术与方法已成功应用到多个领域,如何应用机器学习算法高效的处理光谱数据搜寻热亚矮星已经成为了一项重要的研究课题。针对海量天文光谱数据中热亚矮星的搜寻,本文主要进行了以下研究:(1)提出了一种高鲁棒性的热亚矮星分类方法。针对热亚矮星的光谱特点,结合特征融合的思想,构造了基于混合特征的Se-ResNet+SVM二分类模型,可以较高的准确率将热亚矮星从其他类天体中识别出来,测试集上模型的F1值达到了 96.17%。(2)考虑到BHB型星、B型星、A型星和热亚矮星的光谱相似性,我们针对第一步的判别结果进一步构造了 Se-ResNet+SVM四分类模型,对二分类模型搜寻出来的热亚矮星候选体进一步筛选,在测试集上F1值达到了 95.64%。(3)将训练好的两阶段分类模型应用到LAMOST DR8的333,534条低分光谱,二分类模型筛选出3266颗热亚矮星候选体,其中1223颗为新发现样本。随后,四级分类器对3266颗候选体进一步分类,当阈值为0.5和0.9时,分别有409颗和296颗恒星被判别为新发现的热亚矮星候选体。通过人工验证,我们确定了这三个候选体数据集中真正新发现的热亚矮星数量分别为176颗、63颗和41颗,精确率分别为67.94%、84.88%和87.60%。(4)基于Se-ResNet算法构建热亚矮星大气参数预测模型(Teff、log g、[He/H])。实验结果表明,模型在测试集上估测Teff、log g以及[He/H]时的MAE值分别为1212.65 K、0.32 dex和0.24 dex。随后,我们利用该模型预测了新证认的176颗热亚矮星大气参数值。此外,本文还对LAMOST低分光谱中钡巨星的搜寻工作进行了研究。钡巨星是宇宙中另一种特殊天体,对其研究可以更好地理解双星演化理论以及双星间的质量传递机制。本文针对钡巨星的判别模型建立进行了以下的工作:(1)通过不同输入特征对模型效果影响的对比实验,我们发现相较于吸收谱线作为输入特征,采用整条光谱作为特征时可以使模型具有更高的F1值。因此,我们选择了整条光谱作为模型的输入。此外,在实验过程中,我们还发现,针对不同元素增强的钡巨星需要采用不同的分类模型以最大限度地提高钡巨星分类效果。(2)针对Sr元素增丰的钡巨星,我们在Se-ResNet+SVM模型的基础上构建了 Se-ResNet+Stacking模型用于分类,该模型的F1值达到了 98.07%。(3)针对Ba元素增丰的钡巨星,我们进行了多种分类模型的试验,包括Se-ResNet+SVM、Se-ResNet+LGBM以及LGBM等。最终,我们选取了效果最好的LGBM模型作为分类模型,其F1值为96.87%。

关键词：热亚矮星钡巨星机器学习特征融合

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：