第36卷，第7期 2016年7月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 36,No.7:pp2275-2278
July,2016
LAMIOST-DR1中激变变星光谱的数据控掘研究
姜斌，李紫宣1，曲美霞1，王文玉1*，罗阿理”
1.山东大学（威海)机电与信息工程学院，山东威海264209 2.中国科学院国家天文台，北京100012
摘要LAMOST-DR1是郭守敬望远镜正式巡天发布的首批数据，其数量超过目前世界上所有已知恒星巡天项目的光谱总数。这为进一步扩大特殊和稀少天体如激变变星的数量提供了样本，同时也对天文数据处理方法和技术提出了更高的要求，针对LAMOST的数据特点，提出一种能够在海量天体光谱中自动、快速发现激变变星的方法。该方法使用拉普拉斯特征映射对天体光谱进行降维和重构。结果表明不同类别的天体光谱在拉普拉斯空间中能够得到较明显的区分。在使用粒子群算法对神经网络的参数进行优化后，对 LAMOST-DR1的全部数据进行了自动识别。实验共发现了7个激变变星，经过证认，其中2个是矮新星，2 个是类新星，1个是高度极化的武仙座AM型。这些光谱，补充了现有的激变变星光谱库，本文验证了拉普拉斯特征映射对天体光谱进行特征提取的有效性，为高维光谱进行降维提供了另一途径。在郭守敬望远镜正式发布的数据中寻找激变变星的首次尝试，实验结果表明该自动化的方法鲁棒性好，速度快，准确率高，
该方法也可用于其他大型巡天望远镜的海量光谱处理，关键调数据挖掘；拉普拉斯特征映射；激变变星
中图分类号：TP29
引言
文献标识码：A
DOI : 10. 3964 /j. issn. 1000-0593 (2016 )07-2275-04
明了激变变星数量的稀少和发现的难度，同时也说明了搜索激变变星的意义，
数据挖掘在天体数据处理中的应用，满足了当前天文大
郭守敬望远镜即大天区面积多目标光纤光谱天文望远镜(large sky area multi object fibre spectroscopic telescoope , LAMOST)是世界上光谱获取率最高的望远镜。首批发布的光谱数据包含220万条光谱，其中信噪比大于10的恒星光谱172万条，超过目前世界上所有已知恒星巡天项目的光谱总数。发布的数据中包括一个108万颗恒星光谱参数星表，是目前世界上最大的恒星光谱参数星表。这批光谱为增加包括激变变星在内的特殊和稀少天体的样本数量提供了数据，
激变变星（cataclysmicvariablestars，CVs）是一类稀少的时变天体。根据现有的数据进行统计，激变变星密度大约为每十立方秒差距内有一颗，如果将银河系简化为一个以15 000s差距为半径且300s差距为高的贸柱体，那么整个银河系将有一千万颗激变变星。但目前的激变变星星表[23]只收录了1829题激变变星，其中证认的只有1600额。这些都说
收稿日期：2015-06-05，修订日期：2015-10-12
数据的处理需求，由于天体光谱属于高维数据，如何从这些高维数据中发现其结构特征，并进一步使用合适的降维算法进行数据约减，是机器学习算法的首要问题。Connolly使用主成分分析法(principlecomponent analysis，PCA)对红移值已知的星系光谱进行了特征提取，发现星系光谱的前若干主分量具有很强的线性关系；Madgwick等利用PCA进行了发射线和吸收线光谱的分类。针对郭守敬望远镜光谱的特点，本文使用了拉普拉斯特征映射（laplacian eigenmap，LE）对光谱数据进行了特征提取，然后采用神经网络进行分类实验，结果表明，LE的降维效果好于PCA。在分类过程中，由于BP神经网络容易陷人局部极小值，而粒子群优化算法(particleswarmoptimization，PSO）在无约束非线性函数优化方面性能优越，本文采用粒子群算法和BP算法共同训练神经网络，达到了较好的效果。
基金项目：国家自然科学基金项目（11473019，U1431102），山东省自然科学基金项目（ZR2014AM015），山东大学基本科研业务费项目
(2015ZZXM002)资助
作者简介：姜斌，1977年生，山东大学(威海)机电与信息工程学院副教投
e-mail : sdwangwenyu 163 .com
*通讯联系人
e-mail : jiangbin@ sdu -edu -cn