正常星系的红移粗分类方法.docVIP

基于神经网络的模板匹配方法求正常星系红移*) 许馨1( 罗阿理2 吴福朝1 赵永恒2 1中科院自动化所国家模式识别实验室机器人视觉组 100080 北京2728信箱 2中国科学院国家天文台 100012 北京 摘 要 星系通常分为正常星系(NG)与活动星系(AG)两类，本文提出了一种自动获取NG红移的快速有效方法: (1) 由NG模板根据红移范围Ⅰ:0.0-0.3与Ⅱ:0.3-0.5模拟得到两类星系样本,进行PCA变换获得样本特征向量; (2) 利用概率神经网络设计两类样本特征向量的Bayes分类器; (3) 对于实际NG光谱数据,利用Bayes分类器进行分类确定其红移的范围,然后在这个范围内进行模板匹配得到红移的准确值。与在整个红移范围内的模板匹配方法相比,此方法不但节省了50%的模板匹配运算量,而且还大大提高了红移值测量的精度。本文研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。 关 键 词 正常星系 主分量分析 概率神经网络 红移分类 模板匹配 中图分类号　TP29 1 引言 星系是宇宙天体中非常重要并且数量众多的一种，它对于研究宇宙的大尺度结构起着核心作用。因此在许多大型的光谱巡天项目中，例如UK-Australian基于Anglo-Australian Telescope的南天Two Degrees Field(2dF) Galaxy Redshift Survey，和美国在北银极附近一万平方度Sloan Digital Sky Survey (SDSS) ，都是对星系进行的巡天观测。我国的‘大天区面积多目标光纤光谱天文望远镜’（LAMOST）项目计划建设一架卧式中星仪式反射施密特天文望远镜[1]，同时可以得到4000个天体目标的光谱，巡天完成后将提供107的星系的数据和105的类星体的数据，以更高的精度来研究宇宙的拓扑结构和宇宙的大尺度结构。对于在每个观测夜获得的近万条光谱数据，我们需要从中得到每条光谱的红移、温度及其它物理参量，其中以红移参量为最基本的参数。 天文上红移自动测量的传统方法是用观测得到的光谱和已有的光谱模板进行交叉相关[2]。后来，Glazerbrook利用PCA方法对模板进行了修改，用正交模板的线性组合的方式代替单个模板，交叉相关求红移。这种方法被称为PCAZ方法[3]。此方法的计算量很大。国内的文献[4]利用伪三角法求红移，该方法利用最强的三根谱线的波长信息构造“三角形”，通过将最大角的“余弦”与已知模板的“余弦”表相匹配，反推得到相应的标准谱线波长，并进而得到红移值，但是这种方法只对发射线光谱有效。文献[21]利用光谱4000埃跳变点进行谱线证认，通过已证认的谱线计算出红移。对于大量低信噪比的吸收线的正常星系，还没有有效的自动方法测量红移。针对在将来的LAMOST星系巡天中存在大量的吸收线星系，我们提出了基于PCA和神经网络结合的方法来解决正常星系的红移测量问题。我们将光谱按 照红移范围分为两类：I. 0－0.3，II. 0.3―0.5。用自动方法可以将观测光谱快速分成2类，然后针对每一类的红移范围，进行模板匹配，求其红移值。这种方法比在大红移范围内模板匹配精度更高，并节省大量时间。本文第二部分介绍使用的模板和数据集；第三部分介绍PCA算法；第四部分介绍本文使用的概率神经网络PNN；第五部分介绍模板匹配算法；第六部分是实验结果；第七部分是分析和结论。 2 模板和数据 本文使用的模板来自Kinney[5]在其文章中构造的星系的模板，长度从1200埃－10000埃，覆盖了从紫外到近红外的波长范围。选取其中的四个静止模板（E0,Sa,Sb,So）做为正常星系模板。如图1所示： 图1. 四个静止模板 Fig 1. The four spectra of quiescent by Kinney 由红移公式： ，得到： （1） 其中，z为红移值，为静止波长，为观测波长。 给定一定的红移范围，利用公式（1）对四个模板进行红移模拟，得到各个红移值下的 模拟光谱。我们设定红移的范围为0－0.5，红移模拟的步长为0.01，光谱共计2004条。另外，我们从SDSS的数据库中得到0266－0280的天区中的正常星系的观测数据共4782个作为测试数据集。 3 主分量分析方法（PCA） 主分量分析方法的基础是Karhunen-Loeve变换[6],是模式识别中的非参数方法,用较少数量的特征对样本进行描述以达到降低特征空间的维数。该方法在天文信号处理上得到成功应用。例如，Storrie-Lombardi[7]和Bailer-Jones[8]分别在PCA的基础上使用神经网络方法对恒星进行分类；C