论文部分内容阅读
随着郭守敬望远镜(The Large Sky Area Multi-Object Fibre Spectroscopic Tele-scope，LAMOST)、美国SLAON和欧空局Gaia等大型巡天计划的实施，天体光谱的获取速度不断提高，我们获取了大量恒星光谱数据。例如，我国的LAMOST能同时观测高达4000个天体目标，每个观测夜晚能获取多达2-4万个天体的光谱，截至2015年12月共发布5，268，687条恒星光谱，且最近三年均以每年140余万条的速度发布数据。数据规模的大幅增长使得光谱自动计算、信息提取成为相关巡天计划科学目标实现程度的瓶颈之一。本文主要针对基于光谱的恒星大气物理参数估计问题，研究光谱特征的选择及其应用。主要做了以下三项工作: 首先，我们基于Least Absolute Shrinkage and Selection Operator(LASSO)算法研究了光谱特征的选择问题，给出了一种新的特征描述方法，并基于相关向量机(Relevance Vector Machine，RVM)研究了该特征在恒星大气物理参数有效温度、表面重力和化学丰度[Fe/H]估计中的应用。该方案的特色是，特征波长的定位和参数估计模型中对训练样本的稀疏化。特征波长的定位有助于对模型结果背后的物理本质进行探索，估计模型对训练样本的稀疏化则会提升计算速度。 然后，基于Fused LASSO算法研究了恒星光谱的特征选择问题。该模型不仅能够利用光谱流量与待估计参数的相关性，还能使用流量的时序关系信息。其结果，则会得到具有尺度自适应估计的光谱特征。 最后，我们基于多层贝叶斯先验分布原理和自动相关判定(AutomaticRelevance Determination)准则，提出了一种稀疏贝叶斯特征选择方法，并研究了它在恒星光谱特征选择与大气物理参数估计中的应用。与LASSO算法相比，该方案获得的特征更为疏散，特征对大气物理参量的敏感度更高的同时，也对噪声干扰更为稳健。