论文部分内容阅读
本文面向LAMOST天体光谱自动识别与分析的研究需求，针对光谱自动识别与分析中的各个环节包括光谱的预处理、谱线的自动提取、光谱分类和红移测量等进行了一系列的研究。主要工作有：
1.详细讨论了天体光谱自动处理中的几种光谱去噪方法。提出了一种基于均值漂移的非线性尺度空间滤波方法，其性能仅取决于空域核带宽的选择，在每个采样点处幅度域的核带宽根据信号的局部特征自适应选取。该方法能有效抑制光谱中的随机噪声，并对谱线特征有较强的保护能力。
2.谱线提取对后续的红移测量和谱线证认有很大的影响。已有的谱线自动提取方法均采用整体阈值约束或局部阈值约束进行谱线识别，因而谱线提取结果中普遍存在谱线被丢失或伪谱线过多的缺点。提出了一种基于特征约束的谱线提取方法。在谱线识别时加入了两个特征约束，第一个特征约束是：谱线线心的强度必须大于局部阈值和整体下阈值，并且如果某一点的强度大于整体上阈值，则可认为在该点存在谱线；第二个特征约束是：谱线的起始波长和终止波长处的强度必须小于谱线线心的强度。这两个特征约束使得本文的谱线提取效果较之已有方法有显著的提高。
3.红移测量和谱线证认是天体光谱自动处理中最重要的内容。提出了一种基于密度估计的红移测量和谱线证认方法，将确定红移问题转化为寻找密度最大点问题。该方法首先根据提取出的特征谱线与天体光谱的谱线表构造出一个红移候选集，然后寻找红移候选集中的密度最大点，对密度最大点的邻域中的点进行平均得到红移值。该方法利用了特征波长和谱线类型信息，可以处理各种类型的天体。由于类星体光谱通常具有高红移和高噪声的特点，一般的基于谱线匹配的方法正确率较低。我们提出了一种新的基于交叉相关的类星体光谱红移测量方法。首先，利用提取出的发射谱线信息确定一组红移候选：然后，按这些红移候选将静止模板光谱红移，计算所得光谱与目标光谱的相关值；最后，确定最大相关值对应的红移候选为目标光谱的红移。相对于已有的基于谱线匹配的方法，该方法的性能受谱线提取效果的影响较小。
4.LAMOST中存在光谱的分类与红移测量相耦合的问题，无论是先分类再进行测量或者先测量再分类都会造成错误的前向传播。提出了一种基于相似性度量的天体光谱自动分类与红移测量方法，将天体光谱分为恒星、星系和类星体三种，并对星系和类星体光谱进行红移测量。首先，利用提取出的谱线信息确定红移候选，然后通过目标光谱和模板光谱间的相似性度量来交叉验证红移候选以确定红移值和天体类型。类似于证据积累，我们将光谱间的相似度定义为几个相似性证据的加权和。该方法能同时实现光谱的分类和红移测量，避免了传统的先分类再进行测量或者先测量再分类造成的错误累积。
最后，利用本文的研究工作构造了一个天体光谱的自动识别与分析系统，可以实现天体光谱的粗分类和红移测量。