基于可变形卷积网络的恒星大气物理参数自动测量

摘要：

为解决海量恒星光谱数据自动处理问题,更准确地对恒星光谱物理与化学性质的研究,同时更加直观地反映恒星性质参数,通过利用可变形卷积网络(deformable convolutional network,DCN)方法对恒星大气物理参数进行分析,系统地研究了恒星表面有效温度(Teff)、表面重力(logg)、金属丰度([Fe/H])3个物理参数,实验结果对比梯度下降法神经网络(back propa-gation neural network,BPNN)、人工神经网络(artificial neural network,ANN)、径向基神经网络(radial basis function neural network,RBFNN),评价标准为平均绝对误差(mean absolute error,MAE)、均值误差(mean error,ME).基于SDSS-DR9、LAMOST-DR3恒星光谱数据得到Teff、logg、[Fe/H]的DCN-MAE分别为97.2136 K、0.281 2dex、0.125 2 dex,DCN-ME 分别为106.596 3 K、0.385 6 dex、0.175 3 dex.实验结果显示DCN效果优于BPCNN、ANN、RBFNN,为进一步分析与反映恒星真实情况提供参考.

关键词：恒星光谱;大气参数;可变形卷积网络;平均绝对误差;均值误差

所属期刊栏目：21

分类号：P152(恒星天文学、星系天文学、宇宙学)

资助基金：中国科学院天文大科学中心前瞻课题;中国科学院青年创新促进会会员资助项目2018-2021

在线出版日期：2021-10-14（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：5223-5227