长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DB...长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、FOF(Friend of Friend)和STAR GO(Star's Galactic Origin)3种聚类方法,对疏散星团进行聚类检测,量化不同算法的绩效.研究结果表明,FOF与STAR GO算法对有特殊结构的星团更为适用,能识别出星团的潮汐或延展结构,而DBSCAN对星团核心区域成员星的识别更为完整.旨在星团结构细节与提高成员星识别的完整性之间找到更均衡的算法策略.展开更多
成员判定是疏散星团研究中最关键的一步,成员判定的好坏直接影响对星团基本参数的估计.首次利用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法对疏散星团NGC 6791和M67(NGC 2682)分别...成员判定是疏散星团研究中最关键的一步,成员判定的好坏直接影响对星团基本参数的估计.首次利用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法对疏散星团NGC 6791和M67(NGC 2682)分别进行了成员判定,结果表明DBSCAN聚类算法能很有效地剔除场星污染.得到的NGC6791成员星的颜色-星等图上主序清晰并呈现明显的双重主序结构,这表明NGC 6791可能有更复杂的恒星形成与演化历史.对M67的分析表明出现了质量分层现象,并且星团的核心和外围两部分有明显的相对运动.对NGC 6791和M67的分析均表明DBSCAN聚类算法是一种有效的成员判定方法,有传统成员判定方法不具备的一些优点.展开更多
利用疏散星团NGC 188所在天区的1046颗恒星样本的高精度3维(3D)运动学数据(自行和视向速度)测试了DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法的成员判定效果.为了避免自行和视向速度的单位不一致带...利用疏散星团NGC 188所在天区的1046颗恒星样本的高精度3维(3D)运动学数据(自行和视向速度)测试了DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法的成员判定效果.为了避免自行和视向速度的单位不一致带来的影响,在数据预处理阶段将3个分量的数据统一标准化至[0,1]区间.利用第k个最近邻点距离方法分析了1046颗恒星样本在标准化无量纲3D速度空间的分布特征,再根据第k个最近邻点距离随k值的变化趋势确定了DBSCAN聚类算法的输入参数(Eps,MinPts),最后利用DBSCAN聚类算法分离出497颗3D运动学成员星.分析结果表明得到的3D运动学成员星是可靠的.展开更多
基于Gaia Data Release 2 (Gaia-DR2)星表,采用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行邻近疏散星团成员检测.从Gaia-DR2中选取了594284颗恒星(距离太阳<100 pc)作为样本,使...基于Gaia Data Release 2 (Gaia-DR2)星表,采用数据挖掘技术中的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行邻近疏散星团成员检测.从Gaia-DR2中选取了594284颗恒星(距离太阳<100 pc)作为样本,使用恒星的五维数据(三维空间位置和两维自行)进行聚类分析.在数据预处理阶段,将每一维数据标准化到[0, 1]区间内,避免了单位不一致对聚类效果的影响.然后,利用k-dist图确定了DBSCAN算法的输入参数(Eps, MinPts).最终,使用DBSCAN算法获取了133颗成员星,它们在五维相空间中可以被分成两组,分别对应于疏散星团Hyades和Coma.分析结果表明得到的成员星是可靠的.根据两个星团的成员星, Hyades和Coma的距离分别确定为(46.5±0.3) pc和(84.9±0.4) pc.展开更多
文摘长期以来,疏散星团成员星的证认问题一直是天文学领域的一个挑战,由于疏散星团形成及演化的复杂性,没有统一的方法能准确地确定疏散星团中的成员星.目标是以3种不同空间分布类型的疏散星团为样本,选取恒星的位置和运动的五维参数,通过DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、FOF(Friend of Friend)和STAR GO(Star's Galactic Origin)3种聚类方法,对疏散星团进行聚类检测,量化不同算法的绩效.研究结果表明,FOF与STAR GO算法对有特殊结构的星团更为适用,能识别出星团的潮汐或延展结构,而DBSCAN对星团核心区域成员星的识别更为完整.旨在星团结构细节与提高成员星识别的完整性之间找到更均衡的算法策略.
文摘利用疏散星团NGC 188所在天区的1046颗恒星样本的高精度3维(3D)运动学数据(自行和视向速度)测试了DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法的成员判定效果.为了避免自行和视向速度的单位不一致带来的影响,在数据预处理阶段将3个分量的数据统一标准化至[0,1]区间.利用第k个最近邻点距离方法分析了1046颗恒星样本在标准化无量纲3D速度空间的分布特征,再根据第k个最近邻点距离随k值的变化趋势确定了DBSCAN聚类算法的输入参数(Eps,MinPts),最后利用DBSCAN聚类算法分离出497颗3D运动学成员星.分析结果表明得到的3D运动学成员星是可靠的.
