基于非参数回归与最近邻方法的恒星光谱自动.pdfVIP

第29卷，第12期 光谱学与光谱分析 200 and December，2009 9年12月 SpectralAnalysis Spectroscopy 基于非参数回归与最近邻方法的恒星光谱自动分类 张健楠1，赵永恒1，刘 蓉2 1．中国科学院同家天文台，北京100012 2．北京服装学院基础部，北京100029 摘要恒星光谱数据的自动识别与分类是现代巡天颦远镜所产牛的海量光谱数据处理的一项霞要研究内 容。针对流最未定标的低分辨率恒星光谱设计了一种有效的自动分类方案，实现恒星光谱的MK分类：光谱 型及其次喇分类，光度喇分类。该方案由一i部分实现：(1)连续谱归一化：基于小波技术提取低频信号逼近 连续谱的方法；(2)七种光谱型及其次型的分类通过非参数回归方法实现。(3)光度型分类通过基于最近邻 的z2方法实现。实验结果表明该方案能够有效实现恒星光谱的MK分类，光谱型及其次型的分类精度为 3．2个光游次型，I—V光度型的正确识别率为60％，次优统计率为78％。该方案训练速度快，方法实现容 易，适用于海鼍恒星光谱自动分类处理系统。 关键词恒星光谱分类；连续谱归一化；非参数回归；最近邻方法；光度 中图分类号：TPl83文献标识码：A DOI：10．3964／j．issn．1000—0593(2009)12—3424—05 引 言 PN)将158条恒星光谱分成55个类型，分类精度为2个光谱 我同即将建成的I．AMOST项目，正在运行的美国溺经网络和PCA方法用于MK的二元分类。得到了1．09光谱 项目，欧空局的GAIA巡天项门等现代巡天望远镜，它们的次型的分类精度，对Ⅲ，Ⅵ，V三种光度刹光谱分类，对于 科学f1标之一是对银河系内的恒星进行光谱观测。由于这些 光度为V和T的分类可信度大于95％，但是对于光度为Ⅳ的 巡天望远镜在每个观测仪获得数万条光谱数据，需研究快速 自动的恒星光谱识别与分类技术。 络进行了恒星7个类型及其次型的划分；Qin等f8】采用PCA 正常恒星光谱的MK[1]分类是一种二维分类系统：按温(principalcomponentanalysis，主成分分析)结合最近邻方法 度其光谱分为0，B，A，F，G，K，M七种光谱类型，每个光对oM型恒星光谱进行分类，获得光谱型识别率为91％， 谱型又分为o～9个次型；恒星按光度分为I，Ⅱ，Ⅲ，Ⅳ， 但是光谱次剁和光度型分类的识别率较低，只有大约54％。 V，Ⅵ，Ⅶ七个光度型，其中I～V瓦个光度制最为常见。 综上，恒星光谱的自动分类和识别主要采用最近邻方法和人 neural 本文针对流最未定标的低分辨率恒星光谱研究实现MK的 工神经网络(ANN，artificialnetwork)方法，在七大光 自动分类：光谱犁及其次型自动分类，和五个光度型I—V的 谱型分类上均获得好的识别率，但是对于恒星光谱光度型的 自动识别。 识别技术则很少。本文研究的恒星光漕自动分类采用两种技 目前的研究T作主要是对恒星光谱型进行分类的方法， 术实现光谱型及其次型，和光度型分类。即采用非参数同归 而光度自动识别的研究工作较少。例如：Kurtz[2]应用交叉相 方法进行光谱型及其次型的分类，基于最近邻的Y2方法的 关和主分量分析方法，将MK分类方法应用到低分辨率光谱 光度犁分类。 (1．4 run)。对130一M2的光谱的分类精度为2．2光谱次型，但 是其光度型分类结果很差。LaSalaL3j采用最近邻方法对350 1基于谱线信息的恒星光谱自动分类系统 个B型恒星光