近年来,深度学习算法以其适应性强、准确率高、结构复杂等特性在数据挖掘算法中异军突起,但是在天文信息学中深度学习算法还鲜有问津.针对斯隆数字巡天(Sloan Digital Sky Survey,SDSS)恒星/星系分类中普遍存在的亮源集分类正确率高但...近年来,深度学习算法以其适应性强、准确率高、结构复杂等特性在数据挖掘算法中异军突起,但是在天文信息学中深度学习算法还鲜有问津.针对斯隆数字巡天(Sloan Digital Sky Survey,SDSS)恒星/星系分类中普遍存在的亮源集分类正确率高但暗源集分类正确率低等问题,引入了深度学习中较新的研究成果—堆叠降噪自编码(stacked denoising autoencoders,SDA)神经网络和dropout微调技术.从SDSS释放出的带有光谱证认(spectroscopic measurements)的测光数据中分别随机抽取DR7(Data Release7)和DR12(Data Release 12)的亮源集和暗源集并对其进行预处理,再分别对它们的亮源集和暗源集做不放回随机抽样,得到它们亮源和暗源的训练集和测试集.最后用这些训练集分别训练得到了DR7和DR12亮源和暗源的SDA模型,并将SDA在DR12测试集上的测试结果与支持向量机软件包(Library for Support Vector Machines,LibSVM)、J48决策树(J48)、逻辑模型树(Logistic Model Trees,LMT)、支持向量机(Support Vector Machine,SVM)、逻辑回归(Logistic Regression)、单层决策树算法(Decision Stump)上的测试结果进行比较,同时将SDA在DR7测试集上的测试结果与6种决策树的测试结果进行比较.仿真表明SDA在SDSS-DR7和最新SDSS-DR12的暗源集上的分类性能明显优于其他算法,尤其是在使用完备函数(completeness function,CP)作为衡量指标时,SDA相比决策树算法在SDSS-DR7暗源集正确率提高了15%左右.展开更多
文摘宇宙黎明和再电离时期探测是目前宇宙学最前沿科学研究方向之一.对这一时期的直接探测只能依赖于观测来自这一时期红移后的中性氢21 cm信号,其3种主要探测方式之一是21 cm信号全天总功率测量.在此回顾已有和正在计划中的探测宇宙黎明和再电离时期的低频全天总功率测量实验及其进展,包括地面射电望远镜如BIGHORNS1、EDGES2、LACE3、LEDA4、MIST5、REACH6、SARAS73、SCI-HI8、PRIZM9以及空间低频总功率相关实验如DARE10、DAPPER11、FARSIDE12、鸿蒙计划.其中,EDGES实验是目前唯一声称观测到疑似宇宙黎明信号的实验,然而其实验结果与标准宇宙学模型(ΛCold Dark Matter,ΛCDM)有不符之处.如果该探测结果被证实,那么这将是人类第1次探测到宇宙黎明和再电离信号,从而填补宇宙演化历史的空白.
