一种基于加权概念格的分类规则提取算法

加权概念格是针对属性的重要程度,通过引入内涵权值而形成的一种格结构。采用加权概念格作为分类规则提取工具,通过引入加权外延支持度,给出了一种新的分类规则的提取算法CRAAF-WCL。最后,利用恒星光谱数据作为形式背景,实验验证了该算法具有较高的分类效果。     

一种基于网格的概念格分布式构造方法

分布式构造是降低面向海量数据的概念格构造复杂性的一种有效途径。目前,概念格分布式构造方法普遍偏向理论,存在扩展性差、资源利用率较低等问题。利用网格作为分布式计算平台,采用适合概念格构造规模的多次分发调度策略,给出了一种网格环境下的概念格分布式构造方法。最后,采用恒星光谱数据作为形式背景,实验验证了方法的正确性和有效性。     

基于深度学习的恒星光谱分类

大型巡天项目使得恒星光谱的观测进入大数据时代,实现恒星光谱自动分类是一项重要和具有挑战性的工作.本文采用基于一维的卷积网络算法对斯隆数字巡天(sloan digital sky survey, SDSS)的恒星光谱进行分类.通过卷积神经网络,恒星光谱的特征被提取出来并用于分类.采用带标签的恒星光谱数据训练一维恒星光谱卷积网络(1-dimension stellar spectra convolutional neural networks, 1-D SSCNN),得到训练好的网络模型,并用其对恒星光谱进行分类测试.本文算法与传统的恒星光谱分类算法支持向量机(support vector machine, SVM)、随机森林(random forest, RF)和人工神经网络(artificial neural network, ANN)进行对比,结果表明,本文算法具有较高的分类精度和鲁棒性,且给出了由深度学习得出的光谱热力图,对研究光谱物理性质具有重要意义.     

基于偏差估计卷积神经网络恒星光谱数据自动分类

天体物理学科中恒星光谱具有极其重要的研究前景,中国自主研制的大科学天文巡天项目大天区多目标光纤光谱望远镜(large sky area multi-object fiber spectroscopy telescope,LAMOST)自启用以来,已经成为世界上空间光谱获取数据量最大的科学装置.目前,第6期数据(sixth data,DR6)已对全球的天文工作者开放.恒星光谱数据分类在研究天文观测数据分析领域中极为重要,为了同时兼顾快速的运行速度和准确的分类精度,基于偏差估计卷积神经网络方法(bias estimation convolu-tional neural network,BECNN),分析了DR5中F、G、K、M型恒星光谱.BECNN核心思想主要是利用偏差函数泰勒展开式的偏差参数代替柔性最大值传输函数的偏差参数,进而减小误差,提高准确度.将本文方法与现有的神经网络(neural network,NN)和卷积神经网络(convolutional neural network,CNN)算法进行对比,BECNN算法在F、G、K、M型恒星光谱自动分类准确率分别为93.177％、88.349％、93.807％、89.255％;CNN算法分别为91.646％、87.671％、92.701％、89.054％;NN算法分别为90.819％、87.417％、91.325％、88.092％.同时,将两两恒星光谱数据融合作为测试样本集,做进一步验证.结果表明:BECNN光谱自动分类准确率高于CNN和NN方法,在今后特殊天体索搜与恒星光谱精细分类研究中,本文方法有较好的借鉴价值.     

基于概念提升的概念格更新构造算法

概念格因其结构生动简洁地表明概念之间的泛化-例化关系,成为一种有效的数据挖掘工具.然而直接从形式背景中直接构造概念格的效率较低,为了提高概念格的构造效率,针对形式背景中的多个属性合并,给出了一种基于概念提升的概念格更新构造算法UCP.该算法充分利用了属性合并之前的概念格,仅对部分概念结点进行更新处理,从而提高了概念格的构造效率.最后,以恒星光谱数据作为形式背景,采用VC++6.0和Oracle9i为开发工具,实验验证了该算法的有效性.     

基于短时傅立叶变换特征提取和卷积神经网络的LAMOST恒星光谱分类研究

光谱分类是研究恒星光谱的重要内容之一,对其进行准确分类识别在天文研究领域有着重要意义.提出一种新的光谱特征提取方法,利用短时傅里叶变换将一维光谱变换为二维傅里叶谱图像,然后利用卷积神经网络对得到的二维傅里叶谱图像进行分类,由于二维谱图像具有新的特征分布,提高了分类精度;在此基础上,为降低短时傅里叶变换中的采样过程造成的信息损失,在进行短时傅里叶变换前先利用一维卷积对一维恒星光谱数据进行处理,以提高分类准确率,实验结果显示证明了新的方法的有效性.     

基于一维卷积神经网络的恒星光谱分类研究

对天体光谱数据进行分类,是天文研究的重要步骤.鉴于一维卷积神经网络可以很好地分析具有固定长度周期的信号数据,为了更进一步提高F5、G5、K5型恒星光谱数据的分类精确度,在LAMOST数据库中选取这3种恒星光谱应用于一维卷积神经网络,进行分类研究,并与DBN、Inception v3等实验进行对比,验证了一维卷积神经网络对于天体光谱分类的有效性.     

基于MapObjects与GDI＋技术的野外光谱采集分析系统设计与应用

获取地物光谱的同时采集其空间地理信息,对地物光谱分析及分类具有重要意义。通过组件式开发方法搭建GIS平台,并建立光谱数据库,将光谱数据采集与分析功能集成到GIS中,初步实现了崇明岛野外光谱采集分析系统。在地物光谱绘制和图形控制过程中采用GDI＋技术,介绍了该技术的优越性和实现过程。应用该系统对崇明岛土壤采样点光谱曲线进行特征提取和土壤分类,并结合空间地理数据,将土壤分布显示出来。系统的初步实现,整合了GIS和光谱处理两种软件中的功能,增强了GIS数据分析能力和空间分析能力。     

基于自动聚类算法（AutoClass）的恒星／星系分类

自动聚类算法（AutoClass）是一种非监督的能对复杂数据进行精确的自动聚类的有效分类方法,可以事先设定好类别数目让AutoClass自动寻找,在寻找结束后,能够得到每一条数据分别属于每一类别的几率,这样可以根据专业知识,选出比较好的分类效果．描述了使用AutoClass对SDSSDR6的恒星／星系测光数据进行分类,将868974条测光数据进行处理,通过去离群数据和自动聚类的方法,将最终的812613条数据分成两类,其中星系和恒星的数据分别是680361和126988条．对于去掉离群后的数据,星系和恒星的分类正确率分别达到99．51％和98．52％,表明AutoClass算法对去掉离群数据后的恒星／星系数据分类有很好的效率．因此,可以将该算法应用于天文中的其他分类问题,另外基于该算法的非监督性,可以帮助天文学家去掉离群数据或发现一些特殊天体．     

基于神经网络的恒星大气参数自动测量

提出了一种基于神经网络的恒星光谱大气参数的自动测量方法,该方法能够根据恒星的光谱自动得到恒星的三个重要参数:有效温度Teff,表面重力logg和金属丰度[Fe/H]的估计值。首先对实测恒星光谱进行预处理,包括小波去噪,光谱波长统一化;然后通过对训练样本进行PCA分析获得特征空间变换矩阵进行数据降维;最后通过训练好的神经网络得到参数的估计值。实验结果分析表明,该方法比其它估计方法如非参数估计、支持向量回归和偏最小二乘回归具有更高的测量精度。     

金融业数据仓库中星型衍生子维度模式

数据仓库建模是构建数据仓库的核心,通常采用维度模型的建模方式.分析了维度模型中星型模式和雪花模式的优缺点,并针对金融业数据仓库特点,以证券业务为例,提出了星型衍生子维度模式概念,阐述了此结构的生成条件、算法和优点,即在典型的星型模式中,对大维度表中基数较小的相对独立的维度属性进行分解,生成子维度表,用代理键将其与父维度表及事实表关联,这有利于数据装入、提高数据仓库综合查询效率及一定程度上减少数据冗余,这对于金融业数据仓库中多主题的数据建模具有实际应用价值.     

基于空频滤波的并行单星约束波束形成算法

由于空域抗干扰算法形成零陷时会导致有用信号一定程度失真,提出了基于空频滤波的并行单星约束波束形成算法。针对宽带接收机的应用,在空频二维宽带处理器的模型下,将各阵元接收数据变换到频域;通过频域并行单星约束方程,保证信号带宽内每个频点上的信噪比,有效防止了传统算法对有用信号的衰减。最后,将每颗卫星信号逆变换到时域,便得到了干扰抑制之后的全部卫星信号。计算机仿真验证了理论分析的正确性和算法的稳健性。     

γ暴辐射谱吸收特征的电子回旋共振吸收模型

运用半径典量子理论的电子回旋共振吸收系数,由辐射转移方程计算了通过磁中子星表面附近等离子休后的辐射谱,与γ射线暴的观测谱符合得很好。结果表明,有吸收特征辐射谱的γ射线暴可能是由强磁场的中子星产生的。     

Recent study of emission line star 3G71

New spectral observations of 3G71 are presented. The main features of optical spectra which exhibit a lot of forbidden lines and unusual strong H-Balmer emission lines are discussed. Our data, together with its large IRAS infrared color excess and other characteristics, show evidence that the star may be a Herbig Ae/Be star rather than the optical counterpart of Be/X-ray source of 1H2214 + 589.     

约束凸性与连续诱导策略的存在性

本文研究随从目标函数非凸时的诱导问题.提出函数约束凸性的概念,得到了函数在某点具有约束凸性的充要条件和具有约束凸性的函数取最小值的充分条件,并利用约束凸性的概念得出了随从目标函数非凸时连续诱导策略存在性的充要条件.     

APOGEE巡天中超高速恒星的搜寻

利用APOGEE/DR14巡天提供的视向速度信息和光谱信息,对径向速度超过383.4 km/s的恒星进行检查后,筛选出40颗高速恒星。再结合Gaia巡天提供的自行、视差等信息,从中发现了2颗超高速恒星候选体。为研究超高速恒星的性质与起源提供了新的参考依据。      

Light echoes reveal an unexpectedly cool η Carinae during its nineteenth-century Great Eruption

η?Carinae is one of the most massive binary stars in the Milky Way. It became the second-brightest star in our sky during its mid-nineteenth-century 'Great Eruption', but then faded from view (with only naked-eye estimates of brightness). Its eruption is unique in that it exceeded the Eddington luminosity limit for ten years. Because it is only 2.3 kiloparsecs away, spatially resolved studies of the nebula have constrained the ejected mass and velocity, indicating that during its nineteenth-century eruption, η?Car ejected more than ten solar masses in an event that released ten per cent of the energy of a typical core-collapse supernova, without destroying the star. Here we report observations of light echoes of η?Carinae from the 1838-1858 Great Eruption. Spectra of these light echoes show only absorption lines, which are blueshifted by -210?km?s(-1), in good agreement with predicted expansion speeds. The light-echo spectra correlate best with those of G2-to-G5 supergiants, which have effective temperatures of around 5,000?kelvin. In contrast to the class of extragalactic outbursts assumed to be analogues of the Great Eruption of η?Carinae, the effective temperature of its outburst is significantly lower than that allowed by standard opaque wind models. This indicates that other physical mechanisms such as an energetic blast wave may have triggered and influenced the eruption.     

一些卡方积图的符号星控制数

设G=(V,E)是一个没有孤立顶点的图,如果一个函数f:E→{+1,-1},对一切v∈V(G)满足∑e∈E(v)f(e)≥1成立,则称f为图G的一个符号星控制函数。图G的符号星控制数定义为γ’ss(G)=min{∑e∈E(v)f(e)∣f为G的符号星控制函数}。在图的符号星控制概念的基础上,确定了两类特殊图的符号星控制数。