河北师范大学硕士学位论文.pdf

分类号_____________ 密级______________
U D C ______________ 单位代码 10094



河北师范大学
硕士学位论文


天文中的分类和回归方法初探

李丽丽

指导教师: 杨大卫教授河北师范大学
______________张彦霞副研究员中科院国家天文台
______________赵永恒研究员中科院国家天文台
专业名称: 理论物理研究方向: 天体物理
申请学位级别: 硕士答辩日期: 2007 年 6 月
中文摘要
随着地面和空间观测站的建立、探测器灵敏度的提高、望远镜口径的增大和
网络技术的迅速发展,使得天文数据急剧增长。面对海量天文数据的冲击,借助
数据挖掘技术来探索隐藏在数据中的有用信息势在必行。在此背景下,本文利用
了一些适合于天文数据特点的数据挖掘技术和方法,试图完成对天体的自动分类
和预测测光红移任务。主要工作包括以下三部分:
(1)基于神经网络预测测光红移
测光红移有其自身发展的优势,尤其对大量无法探测到光谱的暗弱天
体而言,更具有一定的统计意义,它能使我们更好地了解宇宙大尺度结构
和星系的形成与演化。本文利用了数据挖掘中的神经网络方法对SDSS巡天
数据中的星系进行测光红移的测量。主要使用了三种有效的星等参数:
Petrosian 星等、模型(model)星等和红化校正(deredening)星等,进行
了三组实验,并且每组实验又考虑了星系颜色和各波带处50%和90%的
Petrosian流量半径,通过实验对比得出对神经网络测红移而言最好的一组参
数组合,为天文学家选择参数提供参考。
(2)K近邻方法对天体自动分类
K 近邻方法在数据挖掘中是一种简单而又灵活有效的分类方法,已被广
泛应用到许多领域中。本章使用 K 近邻方法对天体自动分类,根据各类天
体在多个波段的不同表现性质,将活动星系核从恒星和星系样本中分离出
来。使用的样本是由多个数据库交叉认证获得的多波段数据,参数包含天体
不同波段的相关信息。用 K 近邻方法完成自动分类任务,分类精度达到了
%,说明 K 近邻方法作为自动化分类方法是比较合理的、可行的。
(3)星系形态分类及测光红移
我们就如何提高测光红移的精度提出了一种新方案:先用 k-means 自动
聚类算法将星系样本按形态聚为两类:早型星系和晚型星系,再分别使用神
经网络方法预测这两类样本的测光红移,计算出它们的结合精度。通过实验
比较分类后得出测红移效果与直接使用星系总样本预测红移的效果,发现先
分类再分别对各类预测红移给出的结合精度要高于直接使用总样本预测红
移的精度,而且最好的剩余标准偏差为 ,尤其对早型星系的剩余标准
偏差竟可以达到 。研究结果表明我们提出的方案是合理的、可行的、
有效的。

关键词:数据挖掘,神经网络,自动分类,测光红移
i
ABSTRACT
With the establishment of ground-based and space-based observation stations, the
improvement in detector sensitivity, the increase in the telescopic caliber and the
rapid development work technology, the astronomical data increase sharply.
Faced on the impact of the huge data, it is necessary to explore the potential and
useful information hidden in the data by means of data mining technologies. In this
paper, we make use of some data mining technologies and methods meeting the
characteristics of astronomical data to automatically classify celestial objects and
estimate photometric redshifts. The main contributions are following:
(1) Estimating photometric redshifts w