基于数据挖掘技术的激变变星的特征提取

论文摘要

天体光谱中蕴含了丰富的物理信息,随着LAMOST望远镜投入使用,每个观测夜将获得上万条光谱。传统分析光谱的方法效率低、速度慢,无法满足对日益增长的数据的处理。数据挖掘作为信息发展到一定阶段的产物,从大量的、有噪声的的数据中提取出隐含在其中的有用信息,可以实现相关性预测、分类、聚类、孤立点发现、时间序列分析等许多功能,尤其是高维数据的处理非常有效。LAMOST的海量天体光谱,不但对大样本天文学的研究有重要作用,还将产生许多副产品。数量如此巨大的光谱中隐藏着相对较多的稀有天体、时变天体和未知天体。激变变星是一种稀少天体,是研究吸积盘的“最佳天体物理实验室”,对其光学观测,特别是光谱观测对研究激变变星的物理特性和运动规律,对研究吸积盘的理论以及恒星演化等都具有重要意义。本文主要工作是通过研究激变变星的光谱,根据不同波段的特点,如巴尔默线系的发射与吸收、驼峰现象、双峰现象等,利用数据挖掘技术提取出已知激变变星的光谱特征,用于筛选激变变星的候选体。各类激变变星的光谱虽有一些共同特征,但是不同类型甚至同一类型的不同天体也有它的特殊性,加上某些爆发阶段的光谱与某些非激变变星光谱并无明显差别,因此,本文主要进行了以下工作：(1)研究了激变变星的主要特点,特别是其光谱特性,并且采用了PCA方法构造光谱的主分量,对光谱特征进行提取。采用主分量为轴,直接把样本点在主分量坐标轴上进行投影,可以得到二维平面上的样本特征点,大大降低了光谱数据的维数。(2)分别研究了支持向量机、人工神经网络、K均值、K近邻等常用数据挖掘方法在分类和聚类上的应用。研究了一种新的方法：蚁群算法,分别就其在分类和聚类方而的模型进行研究(3)在MATLAB不境下,根据数据挖掘的一般步骤,采用支持向量机、人工神经网络、K均值、K近邻以及随机森林,分别对同一数据集进行激变变星挖掘实验。对各种方法得到的结果进行时间、类CVs个数等综合分析和比较。比较不同方法筛选出激变变星的候选体,并分析其原因。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 引言
• 1.2 LAMOST项目简介
• 1.3 LAMOST科学目标
• 1.3.1 河外星系的观测
• 1.3.2 银河系结构和演化
• 1.3.3 多波段目标证认证
• 1.4 研究背景
• 1.5 本研究的工作介绍和篇章安排
• 第2章 激变变星简介及其光谱特征
• 2.1 激变变星简介
• 2.2 激变变星观测特征
• 2.3 激变变星的光谱特征
• 第3章 几种数据挖掘算法及其流程
• 3.1 数据挖掘概述
• 3.1.1 数据挖掘步骤
• 3.1.2 高维数据挖掘
• 3.2 分类和聚类
• 3.2.1 支持向量机SVM
• 3.2.2 贝叶斯分类决策
• 3.2.3 人工神经网络
• 3.2.4 K最近邻
• 3.2.5 K均值
• 3.3 蚁群算法
• 3.3.1 基于蚂蚁构造墓地和分类幼体的聚类分析模型
• 3.3.2 基于蚂蚁觅食行为和信息素的分类分析模型
• 第4章 算法结果评估和分析
• 4.1 数据及实验准备
• 4.1.1 FITS文件
• 4.1.2 预处理
• 4.1.3 PCA降维
• 4.1.4 实验环境
• 4.2 程序流程
• 4.3 结果比较
• 4.3.1 实验一
• 4.3.2 实验二
• 4.3.3 实验三
• 4.3.4 实验四
• 4.3.5 实验五
• 4.4 问题分析及总结
• 第5章 总结
• 参考文献
• 致谢
• 学位论文评阅及答辩情况表