潘儒扬 李乡儒

(华南师范大学数学科学学院 广州 510631)

基于深度学习技术的恒星大气物理参数自动估计∗

潘儒扬 李乡儒†

(华南师范大学数学科学学院 广州 510631)

深度学习是当前机器学习、模式识别和人工智能领域中的一项热点研究技术,非常适用于处理复杂的大规模数据.基于深度学习理论构建了一个5层的栈式自编码深度神经网络,对恒星大气物理参数进行自动估计,网络各层的节点数分别为3821-500-100-50-1.使用美国大型巡天项目Sloan发布的Sloan D igital Sky Survey(SDSS)实测光谱以及由Kurucz的New Opacity D istribution Function(NEWODF)模型得到的理论光谱进行了实验验证,对有效温度(Teff)、表面重力加速度(lg g)和金属丰度([Fe/H])3个物理参数进行了自动估计.结果表明,栈式自编码深度神经网络的估计精度较好,其中在SDSS数据上的平均绝对误差分别为:79.95(Teff/K),0.0058(lg(Teff/K)),0.1706(lg(g/(cm·s−2))), 0.1294 dex([Fe/H]);在理论数据上的平均绝对误差分别是:15.34(Teff/K),0.0011(lg (Teff/K)),0.0214(lg(g/(cm·s−2))),0.0121 dex([Fe/H]).

恒星:基本参数,恒星:大气,恒星:丰度,方法:数据分析,方法:统计

1 引言

研究银河系中恒星性质是天体物理学的一个重要问题[1],LAMOST[2–4]和Sloan[5–7]等大规模巡天望远镜可以从银河系中观测到海量的恒星光谱数据,如何从这些海量光谱数据中自动估计出恒星大气物理参数对于研究恒星的性质具有重要意义.

深度学习[8]是机器学习、模式识别和人工智能领域中的一项热点研究技术.特别是,近年受到Google、百度、微软、Facebook等信息技术企业的大力推动,深度学习技术取得了长足的进展,并成功地应用在图像识别、视频分析、自然语言处理、电子商务数据分析和语音识别等……