Python 多核并行计算在海量星表交叉证认中 的应用

天文学研究中经常需要通过交叉证认将来自多波段多项目天文数据联系起来统一考虑. 当前天文数据急剧增长, 必然导致交叉证认的速度过慢. 针对这一问题, 提出一种在多核环境下使用Python 语言进行高效并行计算的方法, 与以往的研究结果相比, 速度提高了若干倍. 这为下一步的多波段数据统计研究和数据挖掘打下了良好的基础.     

高精度绝对自行的归算方法研究

介绍了利用数字化施密特巡天底片数据求解银盘外恒星绝对自行的基本原理和方法,描述了如何检测并消除自行中各种系统差的工作.基于本文的方法,利用COMPASS底片数据库中的部分底片数据进行了实验,对于暗至RF=20.5星等的天体,归算得到的绝对自行的零点精度达到了±0.2mas/yr的水平,整体精度好于±5.5mas/yr,基本消除了自行中与星等和颜色相关的系统差.本工作显示了进一步改进现有施密特巡天星表自行的可行性,为如何消除GAIA星表自行的颜色和星等差提供了一种解决思路.本文还给出了一种利用星系与恒星间整体运动特性差异来挑选星系的新手段.     

支持向量机在大类别数分类中的应用

研究支持向量机在大类别数分类中的应用;结合二叉决策树的基本思想提出一种基于支持向量机（support vector machine,SVM)的大类别数分类解决方法,即SVM决策树方法,对不同背景下可选用的SVM决策树的结构进行了讨论,分析了SVM决策树的特点,并对其识别错误率进行数学进行,结果表明该方法可降低平均分类错误率,对实际应用中的多类分类问题提供新的途径。