天文信息自動處理及目標(biāo)檢測的研究.pdf

1、宇宙的形成、發(fā)展和演化是人類永恒的研究課題。宇宙包含了所有的空間、時間、物質(zhì)和能量。對于宇宙的研究水平，標(biāo)志著一個國家在科技發(fā)展中的位置，對自然科學(xué)的眾多學(xué)科有著特殊的重要意義，也是當(dāng)代科學(xué)技術(shù)，特別是尖端空間技術(shù)發(fā)展的巨大推動力。
　　 天文學(xué)研究的途徑在光學(xué)波段主要有兩種：天體光譜和天文圖像。前者是一維數(shù)據(jù)，后者是二維數(shù)據(jù)，二者之間聯(lián)系密切。光譜分析可以定性或定量地測定天體的化學(xué)組成，通過直接或間接的方法確定天體的光度、表面

2、溫度、直徑、質(zhì)量、視向速度及自轉(zhuǎn)。因此，光譜分析在天文學(xué)中占有重要的地位。對天文圖像的分析是另一種研究宇宙天體的途徑。利用天文圖像可以對天體目標(biāo)的形態(tài)結(jié)構(gòu)信息，包括天體的年齡、狀態(tài)、演變趨勢等進(jìn)行研究，為天文目標(biāo)觀測與研究提供重要的技術(shù)支持。
　　 國家大科學(xué)項目LAMOST(Large Sky Area Multi-Object Fiber SpectroscopicTelescope)于1997年正式立項，2009年6月通過

3、國家驗收，并逐步投入運行。它具有4米口徑，可以觀測到20.5星等的暗弱天體。在5度視場上可以放置4000根光纖，最多可以同時獲得4000個天體的光譜，成為世界上光譜獲取率最高的望遠(yuǎn)鏡。LAMOST的觀測目標(biāo)是宇宙中星系與恒星。隨著LAMOST的運行，在每個觀測夜晚都能夠采集萬余條光譜，得到的光譜數(shù)據(jù)量是數(shù)十億字節(jié)。因此，在光譜數(shù)據(jù)的自動識別和分析方面，急需研究海量天體光譜的自動識別與分析方法，包括天體光譜的自動識別、分類以及物理參數(shù)自動

4、測量等。
　　 山東大學(xué)威海天文臺WOSDU(Weihai Observatory of Shandong University)用于搜尋太陽系小行星和超新星巡天。每天會產(chǎn)生大量的天文圖像數(shù)據(jù)。以小行星搜索為例，每天都會拍攝大量的天文圖像，圖像尺寸為2048×2048×16bit，數(shù)據(jù)量為8M。要發(fā)現(xiàn)新的小行星，首先要在圖像中快速檢測各個星體，然后根據(jù)圖像坐標(biāo)換算成天球坐標(biāo)，再在星表中進(jìn)行比對。若發(fā)現(xiàn)星表里不存在，則將其作為候選

5、體繼續(xù)追蹤觀測，并計算出相應(yīng)軌道，以便確認(rèn)是否是新的小行星。由于天文圖像數(shù)量很大，這一流程涉及到大量的處理工作，而天體目標(biāo)檢測就是一個重要的步驟。圖像識別中，準(zhǔn)確度和速度成為主要的指標(biāo)。如何快速有效地識別圖像中的天體便成為我們研究的一個課題。由此可見，海量天文圖像的快速及有效的處理，向計算機信息技術(shù)提出了迫切的需求，同時，天文數(shù)據(jù)所具有的海量性和開放性也為計算機信息技術(shù)展開了一個重要的研究和應(yīng)用領(lǐng)域。對這些海量數(shù)據(jù)及時有效的處理，需要借

6、助于圖像處理、數(shù)據(jù)挖掘、信號處理等多項現(xiàn)代信息處理技術(shù)。
　　 本課題利用數(shù)據(jù)挖掘、圖像處理、人工智能、信號處理等先進(jìn)的信息技術(shù)，在國家自然基金項目的支持下，以LAMOST與WOSDU的天文數(shù)據(jù)為研究和應(yīng)用背景，針對天文數(shù)據(jù)的預(yù)處理、天文圖像的目標(biāo)檢測、高維天體光譜數(shù)據(jù)的自動分類、稀少天體的數(shù)據(jù)挖掘等若干關(guān)鍵問題展開研究，設(shè)計和驗證了一系列有效的算法，并開發(fā)出可供LAMOST使用的天體光譜自動識別與分析系統(tǒng)。本研究屬于天文和信息

7、交叉學(xué)科的研究，是將最新的計算機信息技術(shù)在天文領(lǐng)域的一項具體的應(yīng)用，以期在天文研究中取得新的科學(xué)成果。因此，本課題的研究具有非常好的理論和應(yīng)用價值。
　　 本課題研究的內(nèi)容包括四個方面：(1)天文數(shù)據(jù)預(yù)處理及發(fā)射線識別；(2)圖像的目標(biāo)檢測；(3)天文光譜的自動分類；(4)稀少天體的數(shù)據(jù)挖掘。
　　 針對上述關(guān)鍵問題，開展了如下的研究和創(chuàng)新工作：
　　 首先是天文光譜去噪的研究。通過望遠(yuǎn)鏡觀測到的一維光譜數(shù)據(jù)在探

8、測階段因噪聲而受到影響，導(dǎo)致信噪比降低，因而去噪工作非常重要。作為信號估計的一個組成部分，去噪問題一直在信號處理領(lǐng)域被廣泛研究。信號降噪的目的是從被加性噪聲污染的信號中還原原始信號。在過去的二十多年中，許多研究集中在使用小波變換去除噪聲。已經(jīng)提出了許多基于正交小波的閾值規(guī)則。然而，正如Coifman和Donoho指出的，基于正交小波的去噪算法在不連續(xù)信號的鄰域中會表現(xiàn)出偽吉布斯現(xiàn)象。因此他們提出了一種平移不變的降噪模式來減少這種影響。另

9、外，就均方根誤差和信噪比而言，相對于非冗余的信號表示，冗余的信號表示顯示了相當(dāng)好的優(yōu)越性。因此，這種平移不變的冗余轉(zhuǎn)變是非常適合于光譜信號的降噪的。Kingsbury提出的雙樹復(fù)小波變換是冗余而且近似于平移不變的。本文提出一種基于雙樹復(fù)小波變換(DTCWT)的光譜降噪算法，該算法處理的光譜具有更高的信噪比和光譜質(zhì)量。針對天文光譜的預(yù)處理，本文研究了基于雙樹復(fù)小波變換的自適應(yīng)降噪方法。該方法利用最大后驗估計理論來對復(fù)小波系數(shù)進(jìn)行自適應(yīng)收縮

10、，在保護譜線等重要信息的前提下，抑制噪聲和偽吉布斯現(xiàn)象，提高去噪算法運行效率，為光譜的后續(xù)處理提供了有效的工具。此外，我們還進(jìn)行了具有發(fā)射線恒星的自動檢測研究。恒星光譜一般具有明顯的吸收線或者吸收帶特征，而具有發(fā)射線的恒星光譜對應(yīng)著特殊類型的恒星，如激變變星、Herbig Ae/Be等。對這些光譜的后續(xù)研究有著重要的意義。本文提出了一種能夠自動識別發(fā)射線恒星光譜的方法。該方法首先對光譜進(jìn)行連續(xù)譜歸一化，然后通過比較譜線對應(yīng)的流量及其鄰域

11、流量的均值和標(biāo)準(zhǔn)差，來判斷是否存在發(fā)射線。對SDSS DR8大樣本數(shù)據(jù)的實驗表明，該方法能夠完整、準(zhǔn)確地識別發(fā)射線恒星。而且，由于該方法不涉及復(fù)雜的變換和運算，因而識別速度非?？?，可用于諸如LAMOST、SDSS這樣大型光譜巡天項目中發(fā)現(xiàn)發(fā)射線恒星光譜。
　　 其次，是天體目標(biāo)的檢測。在天文研究中，通過天體觀測而得到的CCD圖像(Charge Coupled Device，電荷耦合器件)通常以FITS文件(Flexible Im

12、ageTransport System)格式存儲。每幅圖像都很大，可以達(dá)到8M或更大。此外，通過連續(xù)觀測而得到的這類圖像的數(shù)量又是非常大的，因此如何對這些圖像進(jìn)行實時的處理是非常重要的，也是具有挑戰(zhàn)性的。而天體的檢測又是天文圖像處理的一個重要步驟。本文設(shè)計并實現(xiàn)了基于空域的天文圖像目標(biāo)檢測方法。利用遞歸方式，設(shè)計并實現(xiàn)了掃描加速器。實驗表明，該算法大大提高了目標(biāo)檢測速度，實現(xiàn)了對目標(biāo)的快速準(zhǔn)確的檢測并可獲得目標(biāo)的多個參數(shù)，同時建立了天球

13、三維模型，可以根據(jù)指定天區(qū)，對滿足一定條件的恒星從星表數(shù)據(jù)庫中進(jìn)行檢索，然后在三維天球坐標(biāo)系中形象地顯示其分布，實現(xiàn)了星表查詢結(jié)果的三維可視化。
　　 再次，對于高維光譜數(shù)據(jù)分類研究。隨機森林是一種高效、穩(wěn)定的算法，和其他算法相比在效率和準(zhǔn)確率上具有一定的優(yōu)勢。隨機森林中計算效率和準(zhǔn)確率，受樹的個數(shù)和隨機屬性的個數(shù)影響。在保證訓(xùn)練時間和準(zhǔn)確率的情況下，選擇適當(dāng)?shù)拈撝担梢允褂?xùn)練時間最短準(zhǔn)確率最高。合適的樹的個數(shù)閾值會在保證準(zhǔn)確率

14、的基礎(chǔ)上，使訓(xùn)練時間最短；而合適的隨機屬性的個數(shù)會使得訓(xùn)練的時間最短。而閾值是和數(shù)據(jù)相關(guān)的，閾值選取的好壞直接影響效率和準(zhǔn)確率。本文提出了利用遺傳算法優(yōu)化隨機森林分類參數(shù)的模式。利用該模式可以快速地確定隨機森林進(jìn)行光譜分類時所需的關(guān)鍵參數(shù)，從而改變了傳統(tǒng)單純憑經(jīng)驗設(shè)定隨機森林分類參數(shù)的方式，提高了分類算法的自動化和智能化程度，提高了分類準(zhǔn)確率，減少了分類器訓(xùn)練時間。
　　 最后，針對激變變星的搜尋，提出了利用PCA降維與BP人工

15、神經(jīng)網(wǎng)絡(luò)相結(jié)合的稀少天體的數(shù)據(jù)挖掘方法。利用PCA降維，大大減少了高維光譜數(shù)據(jù)的維度空間，然后利用BP人工神經(jīng)網(wǎng)絡(luò)進(jìn)行篩選，提高了激變變星搜尋的準(zhǔn)確率，減少了模型訓(xùn)練時間。實驗證明，該方法對于發(fā)現(xiàn)特殊天體是行之有效的。該方法不僅對激變變星適用，對于其它類別的特殊天體也是適用的。該方法可極大地減少人工處理的工作強度和時間。由于速度快，基本可滿足LAMOST光譜數(shù)據(jù)的準(zhǔn)實時處理。如果具備并行數(shù)據(jù)處理環(huán)境，還可以使數(shù)據(jù)的輸入、降維、挖掘等操作