利用从斯隆数字巡天（Sloan Digital Sky Survey，简称SDSS）第4次释放的光谱数据中选取的10^5个发射线星系样本，研究了[OII]λ3727／Hα流量比与星系尘埃消光、气体电离态和金属丰度的关系．发现尘埃消光改正对[OII]λ3727／Hα谱线...利用从斯隆数字巡天（Sloan Digital Sky Survey，简称SDSS）第4次释放的光谱数据中选取的10^5个发射线星系样本，研究了[OII]λ3727／Hα流量比与星系尘埃消光、气体电离态和金属丰度的关系．发现尘埃消光改正对[OII]λ3727／Hα谱线流量比影响显著，消光改正前、后的[OII]λ3727／Hα谱线流量比的中值分别为0．48和0．89；尘埃消光改正后，F（[OII]λ3727）-F（Hα）的弥散显著减小．贫金属星系的[OII]λ3727／Hα谱线流量比随星系气体的电离度增高而减小，而富金属星系不存在这种关系．另外，[OII]λ3727／Hα流量比与星系金属丰度相关．当12＋lg（O／H）〉8．5时，星系[OII]λ3727／Hα流量比随金属丰度增加而下降；12＋lg（O／H）〈8．5的星系，谱线流量比与金属丰度正相关．最后，利用气体电离度参数和星系的金属丰度，给出了计算不同类型星系[OII]λ3727／Hα流量比的公式．LAMOST望远镜将观测到大量红移z〉0．4的星系光谱，利用该公式可以给出星系的[OII]λ3727／Hα流量比，从而可以利用[OII]λ3727谱线流量计算z〉0．4星系的恒星形成率．展开更多
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...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 Digital Sky Survey(SDSS)实测光谱以及由Kurucz的New Opacity Distribution 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]).展开更多
文摘利用从斯隆数字巡天（Sloan Digital Sky Survey，简称SDSS）第4次释放的光谱数据中选取的10^5个发射线星系样本，研究了[OII]λ3727／Hα流量比与星系尘埃消光、气体电离态和金属丰度的关系．发现尘埃消光改正对[OII]λ3727／Hα谱线流量比影响显著，消光改正前、后的[OII]λ3727／Hα谱线流量比的中值分别为0．48和0．89；尘埃消光改正后，F（[OII]λ3727）-F（Hα）的弥散显著减小．贫金属星系的[OII]λ3727／Hα谱线流量比随星系气体的电离度增高而减小，而富金属星系不存在这种关系．另外，[OII]λ3727／Hα流量比与星系金属丰度相关．当12＋lg（O／H）〉8．5时，星系[OII]λ3727／Hα流量比随金属丰度增加而下降；12＋lg（O／H）〈8．5的星系，谱线流量比与金属丰度正相关．最后，利用气体电离度参数和星系的金属丰度，给出了计算不同类型星系[OII]λ3727／Hα流量比的公式．LAMOST望远镜将观测到大量红移z〉0．4的星系光谱，利用该公式可以给出星系的[OII]λ3727／Hα流量比，从而可以利用[OII]λ3727谱线流量计算z〉0．4星系的恒星形成率．
文摘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 Digital Sky Survey(SDSS)实测光谱以及由Kurucz的New Opacity Distribution 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]).
