光纤的焦比退化(focal ratio degradation)是光纤光谱效率损失的重要原因之一。光纤在安装和每次定位过程中,光纤的转动和扭曲会引起光纤焦比退化发生变化,从而改变光纤的传输效率,每根光纤由此造成的传输效率变化都会存在差异。而这样的效率差异无法用通常天文观测中使用的晨昏天光平场或者圆顶平场改正。减天光是光纤光谱数据处理中决定光谱质量的重要环节。减天光处理要求对不同光纤的传输效率进行归一化处理,以扣除不同光纤之间传输效率差异导致的天光背景测量的误差。对于与天光背景亮度接近乃至更暗的观测目标而言,光纤传输效率的改正精度决定了减天光的精度。测试了LAMOST望远镜光纤转动对光纤传输效率的影响情况。在检查了光谱中天光发射线强度与光纤传输效率的关系,和验证了光纤效率变化与波长变化相对独立的基础上,提出并且证实了通过测量各光纤中天光发射线强度作为光纤相对效率变化量来改正光纤效率差异的方法是可行的。这种方法已经被应用到LAMOST二维光谱处理当中。
天体光谱处理中的一项基本任务是对大量的恒星光谱进行自动分类。到目前为止,恒星光谱的分类工作多是基于一维光谱数据。该研究打破传统的天体光谱数据处理流程,提出了基于二维恒星光谱分类的方法。在LAMOST(the large sky area multi-object fiber spectroscopic telescope)的数据处理流程中,所有的一维光谱都是由二维光谱抽谱、合并得来。二维光谱是由光谱仪产生的图像,包括蓝端图像和红端图像。基于LAMOST二维光谱数据,提出了特征融合卷积神经网络(FFCNN)分类模型,用于二维恒星光谱的分类。该模型是一个有监督的算法,通过两个CNN模型分别提取蓝端图像和红端图像的特征,然后将二者进行融合得到新的特征,再利用CNN对新特征进行分类。所使用的数据全部来源于LAMOST,我们在LMOST DR7中随机选择了一批源,然后获得了它们的二维光谱。一共有14840根F,G和K型恒星的二维光谱用于FFCNN模型的训练,其中包括7420根蓝端光谱和7420根红端光谱。由于三类恒星光谱的数量并不均衡,在训练的过程中分别为每类恒星光谱设置了不同权重,防止模型出现分类失衡现象。同时,为了加快模型收敛,对二维光谱数据采用Z-score归一化处理。此外,为了充分利用所有样本,提高模型的可靠度,采用五折交叉验证的方法验证模型。3710根二维光谱用作测试集,使用准确率、精确率、召回率和F1-score来对FFCNN模型的性能进行评价。实验结果显示,F,G和K型恒星的精确率分别达到87.6%,79.2%和88.5%,而且它们超过了一维光谱分类的结果。实验结果证明基于FFCNN的二维恒星光谱分类是一种有效的方法,它也为恒星光谱的处理提供了新的思路和方法。
