專利名稱：基于光譜的恒星與星系的自動(dòng)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)輔助的天體識(shí)別方法。
背景技術(shù)：
恒星與星系的自動(dòng)識(shí)別對(duì)大型的望遠(yuǎn)鏡巡天項(xiàng)目有著重要意義。目前國(guó)際上對(duì)恒星與星系的自動(dòng)識(shí)別是通過(guò)照相數(shù)據(jù)的PSF(Point SpreadFunction)檢測(cè)來(lái)完成的?；诠庾V的恒星與星系的自動(dòng)識(shí)別技術(shù)能讓大型的望遠(yuǎn)鏡光譜巡天項(xiàng)目無(wú)須對(duì)目標(biāo)進(jìn)行照相觀測(cè)，因此具有重要意義。在光譜自動(dòng)識(shí)別技術(shù)研究中，由于巡天計(jì)劃的科學(xué)目標(biāo)通常是非常暗的未知天體，因此獲得的光譜信噪比低而且紅移參數(shù)還未知，所以對(duì)光譜紅移未知、低信噪比情況下的恒星與星系的自動(dòng)識(shí)別在技術(shù)上有一定的難度。國(guó)際上多數(shù)涉及星系光譜的自動(dòng)識(shí)別技術(shù)，都是在紅移值已知的前提下展開(kāi)研究，因此不適用于紅移值未知的情況。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種適用于光譜紅移值未知、低信噪比情況下，具有較高準(zhǔn)確度的基于光譜的恒星與星系的自動(dòng)識(shí)別方法。
為實(shí)現(xiàn)上述目的，一種基于光譜恒星與星系的自動(dòng)識(shí)別方法，由恒星、正常星系和活動(dòng)星系的靜止光譜模板、計(jì)算機(jī)及相關(guān)軟件組成，所述方法包括步驟自動(dòng)識(shí)別非活動(dòng)天體與活動(dòng)天體，所述非活動(dòng)天體包括恒星與正常星系，所述活動(dòng)天體包括活動(dòng)星系；自動(dòng)識(shí)別恒星與正常星系，從而實(shí)現(xiàn)恒星與星系的自動(dòng)識(shí)別。
本發(fā)明的天體光譜自動(dòng)識(shí)別技術(shù)的分類正確率對(duì)恒星能達(dá)到96％，對(duì)正常星系能達(dá)到94％，對(duì)活動(dòng)星系能達(dá)到94％。


圖1是基于光譜的恒星與星系的自動(dòng)識(shí)別流程示意圖；圖2是非活動(dòng)與活動(dòng)天體的自動(dòng)識(shí)別流程圖；圖3是恒星與正常星系的自動(dòng)識(shí)別流程圖；圖4是組合徑向基神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖。
具體實(shí)施例方式
本發(fā)明由恒星、正常星系、活動(dòng)星系的靜止光譜模板、計(jì)算機(jī)及相關(guān)軟件組成。標(biāo)準(zhǔn)恒星模板包括有七大光譜型即O、B、A、F、G、K、M的光譜；正常星系的靜止模板應(yīng)該包含E、S0、Sa、Sb型；活動(dòng)星系的靜止模板應(yīng)該包含星暴星系SB1、SB2、SB3、SB4、SB5、SB6、Sc。基于光譜的恒星與星系(包括正常星系、活動(dòng)星系)的自動(dòng)識(shí)別技術(shù)包括兩大步驟，如圖1所示。第一步完成圖1中第一層的自動(dòng)識(shí)別，即非活動(dòng)與活動(dòng)天體之間的識(shí)別(如圖2所示)，非活動(dòng)天體包括恒星與正常星系，活動(dòng)天體包括活動(dòng)星系；第二步完成第二層左部的自動(dòng)識(shí)別，即對(duì)恒星與正常星系進(jìn)行識(shí)別(如圖3所示)，從而實(shí)現(xiàn)恒星與星系的自動(dòng)識(shí)別。第一步的實(shí)現(xiàn)方法主要包括數(shù)據(jù)標(biāo)準(zhǔn)化、采用主分量分析方法構(gòu)造三維特征空間、選擇訓(xùn)練樣本、訓(xùn)練樣本投影、采用支撐矢量機(jī)尋找最優(yōu)分類面、待識(shí)別樣本數(shù)據(jù)標(biāo)準(zhǔn)化、投影、應(yīng)用支撐矢量機(jī)的最優(yōu)分類面進(jìn)行識(shí)別為非活動(dòng)或活動(dòng)天體。第二步的實(shí)現(xiàn)方法主要包括數(shù)據(jù)標(biāo)準(zhǔn)化、采用主分量分析方法構(gòu)造降維特征空間、選擇訓(xùn)練樣本、訓(xùn)練樣本投影、采用組合徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行分類器訓(xùn)練、待識(shí)別樣本數(shù)據(jù)標(biāo)準(zhǔn)化、投影、應(yīng)用組合徑向基神經(jīng)網(wǎng)絡(luò)的分類器進(jìn)行識(shí)別為恒星或正常星系。各步驟的具體說(shuō)明如下1、數(shù)據(jù)的標(biāo)準(zhǔn)化待識(shí)別的數(shù)據(jù)樣本矩陣X的M個(gè)列變量的量綱或變化幅度不同，其絕對(duì)值大小可能相差許多倍。因此，為了消除量綱和變化幅度不同帶來(lái)的影響，原始數(shù)據(jù)應(yīng)做標(biāo)準(zhǔn)化處理。
2、采用主分量分析方法構(gòu)造天體光譜的三維特征空間選擇恒星模板與星系的光譜模板進(jìn)行主分量分析。步驟如下假設(shè)選取的光譜樣本構(gòu)成數(shù)據(jù)矩陣X，X經(jīng)第1步標(biāo)準(zhǔn)化后，計(jì)算協(xié)方差距陣D＝XTX，計(jì)算協(xié)方差距陣D的本征值與本征矢量矩陣；其本征值從大到小排列，選取前三個(gè)本征值對(duì)應(yīng)的本征矢量，即主分量，構(gòu)造特征矩陣EM×3，得到三維的特征空間。待識(shí)別的光譜樣本x1×M經(jīng)第1步標(biāo)準(zhǔn)化后，按x·E投影到此三維特征空間，獲得三維的特征點(diǎn)。
3、選擇訓(xùn)練樣本訓(xùn)練樣本有恒星光譜樣本，其中包括七大光譜型的恒星；星系光譜樣本，其中包括正常星系和活動(dòng)星系靜止模板經(jīng)過(guò)紅移后得到的模擬光譜樣本。
4、采用支撐矢量機(jī)尋找最優(yōu)分類面。
對(duì)第3步選取的訓(xùn)練樣本經(jīng)過(guò)第1步標(biāo)準(zhǔn)化和第2步投影所得到的三維特征點(diǎn)，采用支撐矢量機(jī)，尋找非活動(dòng)天體與活動(dòng)天體的最優(yōu)分類面函數(shù)。待識(shí)別樣本的三維特征點(diǎn)通過(guò)此分類面函數(shù)，可識(shí)別為非活動(dòng)或活動(dòng)天體。
5、采用主分量分析方法，構(gòu)造恒星與正常星系的降維特征空間把包括七大光譜型的恒星光譜與正常星系的靜止模板進(jìn)行主分量分析，步驟與第2步類似，不同的是這里選取前n維(n＜M)的本征值對(duì)應(yīng)的本征矢量構(gòu)造n維的降維特征矩陣HM×n和特征空間。待識(shí)別樣本經(jīng)過(guò)第1步標(biāo)準(zhǔn)化，投影到此降維特征空間中，獲得降維的特征變量。
6、選擇訓(xùn)練樣本訓(xùn)練樣本有恒星光譜樣本，其中包括七大光譜型的恒星；正常星系光譜樣本，其中包括四種靜止模板經(jīng)過(guò)紅移后得到的模擬光譜樣本。
7、采用組合徑向基神經(jīng)網(wǎng)絡(luò)訓(xùn)練分類器對(duì)第6步選取的訓(xùn)練樣本經(jīng)過(guò)第1步標(biāo)準(zhǔn)化、在第5步的降維特征空間上投影，獲得降維的特征變量，然后把它們作為組合徑向基神經(jīng)網(wǎng)絡(luò)的輸入，進(jìn)行分類器的訓(xùn)練，輸出兩維，分別表示屬于恒星和正常星系的概率。
8、活動(dòng)天體與非活動(dòng)天體的分類待識(shí)別樣本經(jīng)過(guò)第1步的標(biāo)準(zhǔn)化、投影到第2步的三維特征空間上，得到三維的特征點(diǎn)，作為第4步的最優(yōu)分類面函數(shù)的輸入，若得到的輸出大于0，則為非活動(dòng)天體，若小于0，則為活動(dòng)天體。
9、恒星與正常星系的分類對(duì)第8步識(shí)別出的非活動(dòng)天體的光譜經(jīng)過(guò)標(biāo)準(zhǔn)化、在第5步的降維特征空間上投影，得到降維的特征變量作為第7步分類器的輸入，根據(jù)分類器輸出的概率值，選擇概率大的一維，判別是恒星還是正常星系。
權(quán)利要求
1.一種基于光譜恒星與星系的自動(dòng)識(shí)別方法，由恒星、正常星系、和活動(dòng)星系的靜止光譜模板、計(jì)算機(jī)及相關(guān)軟件組成，所述方法包括步驟自動(dòng)識(shí)別非活動(dòng)天體與活動(dòng)天體，所述非活動(dòng)天體包括恒星與正常星系，所述活動(dòng)天體包括活動(dòng)星系；自動(dòng)識(shí)別恒星與正常星系，從而實(shí)現(xiàn)恒星與星系的自動(dòng)識(shí)別。
2.按權(quán)利要求1所述的方法，其特征在于所述自動(dòng)識(shí)別非活動(dòng)天體與活動(dòng)天體包括步驟1)樣本數(shù)據(jù)的標(biāo)準(zhǔn)化；2)構(gòu)造天體光譜的三維主分量特征空間，并對(duì)樣本進(jìn)行投影；3)選擇訓(xùn)練樣本；4)采用支撐矢量機(jī)，把訓(xùn)練樣本經(jīng)第1步標(biāo)準(zhǔn)化、投影到第2步的三維主分量空間上，再把投影獲得的三維特征點(diǎn)作為輸入，訓(xùn)練非活動(dòng)與活動(dòng)天體之間的最優(yōu)分類面。
3.按權(quán)利要求1所述的方法，其特征在于所述自動(dòng)識(shí)別恒星與正常星系包括步驟1)樣本數(shù)據(jù)的標(biāo)準(zhǔn)化；2)采用主分量分析法，對(duì)恒星和正常星系光譜進(jìn)行降維，獲得降維的特征空間；3)選擇訓(xùn)練樣本；4)采用組合徑向基神經(jīng)網(wǎng)絡(luò)，把訓(xùn)練樣本投影到第2步得到的特征空間上作為輸入，進(jìn)行恒星與正常星系的分類器訓(xùn)練；5)待識(shí)別光譜樣本經(jīng)第1步標(biāo)準(zhǔn)化、投影到第2步得到的三維主分量空間上，再把投影后的特征點(diǎn)作為輸入，并利用分類面函數(shù)進(jìn)行識(shí)別為非活動(dòng)或活動(dòng)天體；6)對(duì)第5步分類結(jié)果中的非活動(dòng)天體的光譜樣本經(jīng)第1步標(biāo)準(zhǔn)化、投影到第2步得到的降維特征空間上，把投影后的特征變量輸入到分類器中進(jìn)行識(shí)別為恒星或正常星系。
4.按權(quán)利要求1所述的基于光譜的恒星與星系的自動(dòng)識(shí)別方法，其特征在于先進(jìn)行非活動(dòng)天體和活動(dòng)天體(活動(dòng)星系)的識(shí)別，再進(jìn)行恒星與正常星系的識(shí)別。
5.按權(quán)利要求2所述的基于光譜的恒星與星系的自動(dòng)識(shí)別方法，其特征在于在所述天體光譜的三維主分量特征空間中，采用支撐矢量機(jī)算法來(lái)識(shí)別非活動(dòng)與活動(dòng)天體的光譜。
6.按權(quán)利要求3所述的基于光譜的恒星與星系的自動(dòng)識(shí)別方法，其特征在于在非活動(dòng)天體光譜的降維特征空間，把特征空間中的樣本點(diǎn)作為特征變量，訓(xùn)練恒星與正常星系的分類器。
7.按權(quán)利要求3所述的基于光譜的恒星與星系的自動(dòng)識(shí)別方法，其特征在于采用組合徑向基神經(jīng)網(wǎng)絡(luò)，訓(xùn)練恒星與正常星系的分類器。
8.按權(quán)利要求3所述的基于光譜的恒星與星系的自動(dòng)識(shí)別方法，其特征在于非活動(dòng)與活動(dòng)天體的最優(yōu)分類面的訓(xùn)練樣本包含各種光譜型的恒星以及進(jìn)行紅移模擬后的星系的模擬光譜。
9.按權(quán)利要求6或7所述的基于光譜的恒星與星系的自動(dòng)識(shí)別方法，其特征在于恒星與正常星系的分類器的訓(xùn)練樣本包含各種光譜型的恒星以及進(jìn)行紅移模擬后的正常星系的模擬光譜。
全文摘要
一種基于光譜恒星與星系的自動(dòng)識(shí)別方法，由恒星、正常星系和活動(dòng)星系的靜止光譜模板、計(jì)算機(jī)及相關(guān)軟件組成，所述方法包括步驟自動(dòng)識(shí)別非活動(dòng)天體與活動(dòng)天體，所述非活動(dòng)天體包括恒星與正常星系，所述活動(dòng)天體包括活動(dòng)星系；自動(dòng)識(shí)別恒星與正常星系，從而實(shí)現(xiàn)恒星與星系的自動(dòng)識(shí)別。本發(fā)明的天體光譜自動(dòng)識(shí)別技術(shù)的分類正確率對(duì)恒星能達(dá)到96％，對(duì)正常星系能達(dá)到94％。
文檔編號(hào)G06F9/44GK1527198SQ0312010
公開(kāi)日2004年9月8日 申請(qǐng)日期2003年3月7日 優(yōu)先權(quán)日2003年3月7日
發(fā)明者覃冬梅, 胡占義, 趙永恒 申請(qǐng)人:中國(guó)科學(xué)院自動(dòng)化研究所