第34卷，第11期 2014年11月
光谱学与光谱分析 Spectroscopy and Spectral Analysis
Vol. 34,No.11 -pp3127-2131
November,2014
基于LAMOST光谱的恒星大气物理参数估计
卢瑜，李乡儒，杨坦
华南师范大学数学科学学院，广东广州510631
摘要基于实测光谱的恒星大气物理参数估计是探索恒星本质的首要任务。随着郭守敬望远镜（LAM-0ST进人正式巡天阶段，正以前所未有的速度获取海量的恒星实测光谱数据，这为星系研究带来广新的机遇和挑战。由于LAMOST是多目标光纤光谱天文望远镜，获取的光谱噪音比较大。光谱前期处理中的波长定标和流量定标精度不高，导致光谱存在微小畸变，这些都大大增加了恒星大气物理参数测量的难度。如何对LAMOST实测光谱的恒星大气物理参数进行自动测量是迫切期待需要研究的一个重要课题，关键是如何消除噪声，提高恒星大气物理参数的测量精度和鲁棒性。提出了一个测量LAMOST恒星光谱大气参数的回归模型(SVM（lasso）)。基本思路是：首先使用Haar小波对光谱信号进行滤波，抑制光谱中噪声的不利影响，最大限度地保留光谱判别信息。然后采用lasso算法进行特征选择，选取与恒星大气物理参数相关性强的特征。最后将选择的光谱特征输人支持向量机回归模型对恒星大气物理参数进行估计，该模型对光谱略变和噪音的容忍性比较好，提高了测量的精确度。为了验证上述方案的可行性，在33963条LAMOST先导巡天恒星光谱库上作了实验研究，三个恒星大气物理参数的精度分别为logTeff：0.0068dex，logg：0.155 1 dex , [Fe/H]: 0. 104 0 dex。
关键词Haar小波；lasso：支持向量机；特征；恒星；参数
中图分类号：TN911.7
引言
文献标识码：A
DOI: 10, 3964/j. issn, 1000-0593 (2014)11-3127-05
辨率光谱恒星大气物理参数进行估计。
统计估计法的基本思想是在光谱数据和物理参数之间建立一个非线性的映射关系，通过优化的方法寻找最优回归模
我国郭守敬望远镜（LAMOST）是当今世界上天体光谱观测获取率最高的望远镜，自从2012年9月LAM0ST正式巡天，每次观测可以获得2000多个天体的光谱，每年能够获取大约100万恒星的光谱12]。LAMOST项目获取的海量恒星光谱数据库给我们带来了巨大的机退和挑战3.]。如何高效准确地对中低分辨率、低噪音比的海量光谱数据进行自动处理和分析是巡天计划当前急需解决的问题[]
恒星大气物理参数（如有效温度（Teff）、表面重力加速度(logg)、化学丰度([Fe/H])等)的自动测量主要分为三种方法：线指数法，模板匹配法和统计估计法。统计估计法是天文界研究比较广泛的一种方法。例如：Manteiga等使用反向传播神经网络方法对低信噪比恒星大气物理参数进行估计。张健楠等"采用分段偏最小二乘法(PLS)估计恒星大气物理参数。Willemsen等"利用前馈神经网络方法对中分
收稿日期：2013-10-30，修订日期：2014-01-29
型。统计估计方法是一种黑盒子算法，易于实现，适用于对光谱回归模型不甚了解的情况。神经网络是统计估计法中应用最广泛的算法。但是神经网络的调试非常复杂，它的参数的设置主要依靠的是调试者的经验，很难保证构建的网络结构是最优的。而直神经网络容易出现过拟合和局部极值等间题。支持向量机SVM（supportvectormachine）是一种统计机器学习方法，它适用于高维小样本、非线性模式识别0。支持向量机很好地解决了高维维数灾难、过拟合和局部极值等间题。SVM有专门的辅助软件（例如：网格、PSO和GA 参数寻优软件）寻找最佳参数，这样我们就能够建立最优的恒星大气物理参数回归模型。本工作采用基于Haar小波与 lasso算法的支持向量机回归模型(SVM（lasso）)对恒星大气物理参数进行自动测量。
基金项目：国家自然科学基金项目(61273248，61075033)和广东省自然科学基金项目(S2011010003348)资助作者简介：卢瑜，女，1973年生，华南师范大学数学科学学院讲师
e-mail : lydw1003@ 163. com
*通讯联系人e-mail：xiangru.I@gmail.com