恒星光谱分类是天文学中一个重要的研究问题.对于已经采集到的海量高维恒星光谱数据的分类,采用模式匹配方法对光谱型分类较为成功,但其缺点在于标准恒星模版之间的差异性在匹配实际观测数据中不能体现出来,尤其是当需要进行光谱型和光度型的二元分类时模版匹配法往往会失败.而采用谱线特征测量的光度型分类强烈地依赖谱线拟合的准确性.为了解决二元分类的问题,介绍了一种基于卷积神经网络的恒星光谱型和光度型分类模型(Classification model of Stellar Spectral type and Luminosity type based on Convolution Neural Network,CSSL CNN).这一模型使用卷积神经网络来提取光谱的特征,通过注意力模块学习到了重要的光谱特征,借助池化操作降低了光谱的维度并压缩了模型参数的数量,使用全连接层来学习特征并对恒星光谱进行分类.实验中使用了大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope,LAMOST)公开数据集Data Release 5(DR5,用了其中71282条恒星光谱数据,每条光谱包含了3000多维的特征)对该模型的性能进行验证与评估.实验结果表明,基于卷积神经网络的模型在恒星的光谱型分类上准确率达到92.04%,而基于深度神经网络的模型(Celestial bodies Spectral Classification Model,CSC Model)只有87.54%的准确率;CSSL CNN在恒星的光谱型和光度型二元分类上准确率达到83.91%,而模式匹配方法MKCLASS仅有38.38%的准确率且效率较低.
国家重大科学工程项目"大天区面积多目标光纤光谱天文望远镜"LAMOST(Large Sky Area Multi-Object Fiber Spectroscopic Telescope)望远镜控制系统TCS(Telescope Control System)上和观测控制系统OCS(Observatory Control System)进行消息通讯,下控制着主动光学、机架控制、焦面控制等多种光机电实体的运作。该文研究了如何在TCS中利用消息总线对各种不同优先级、不同处理对象的消息进行分类和分解,并按照流程对消息进行并行或串行的处理,以确保整个观测流程的顺利完成。
