Application of Convolutional Neural Networks for Stellar Spectral Classification
由于SDSS和LAMOST等测量观测到的光谱数据量不断扩大，应用人工智能（AI）技术分析恒星光谱以解决光谱分类和回归问题（如确定恒星大气参数Teff，log g，[Fe/H]）变得非常重要。我们提出了一个自动化的方法，利用卷积神经网络的恒星光谱的光学区域的分类。传统的机器学习（ML）方法具有“浅层”架构（通常多达2个隐藏层），过去已经为此目的进行了训练。然而，具有更多隐藏层的深度学习方法允许使用频谱中更精细的细节，从而提高准确性和更好的泛化能力。研究更精细的光谱特征也使我们能够确定精确的差分恒星参数和发现稀有天体。我们研究了各种机器和深度学习算法，如人工神经网络（ANN），随机森林（RF）和卷积神经网络（CNN），以分类恒星光谱使用的光谱库作为训练样本。我们在Indo-U.S. Library of Coude Feed Stellar Spectra（CFLIB）上测试了训练网络的性能。我们表明，使用卷积神经网络，我们能够将误差降低到1.23个光谱子类，与过去研究中使用ML方法实现的2个子类相比。我们进一步应用训练好的模型对信噪比大于20的SDSS数据库中的恒星光谱进行分类。
2019-09-12 astro-ph.IM astro-ph.SR
The AMBRE Project: Stellar parameterisation of the ESO:FEROS archived spectra
AMBRE项目是欧洲南方天文台（ESO）和蓝色海岸天文台（OCA）之间的合作项目，旨在确定四台ESO摄谱仪存档光谱的恒星大气参数。AMBRE项目第一阶段完成了对FEROS存档光谱的恒星参数（有效温度、表面重力、全球金属丰度、α元素与铁的比率和径向速度）的分析。从收到的完整ESO：FEROS存档数据集，共确定了21551个科学光谱，涵盖了2005年至2010年。这些光谱对应约6285颗恒星。恒星参数的确定是使用恒星参数化算法MATISSE（光谱合成的矩阵反演）进行的，该算法是在OCA开发的，用于分析银河系考古学中的大规模光谱研究。已经构建了一个分析管道，它集成了光谱缩减和径向速度校正程序与MATISSE，以自动确定恒星参数的FEROS光谱。恒星大气参数（Teff，log g，[M/H]和[alpha/Fe]）被确定为6508（30.2%）的FEROS存档光谱（~3087颗恒星）。确定了11963个（56%）存档光谱的径向速度。2370（11%）个光谱无法在管道内分析。在管道中分析了12673个光谱（58.8%），但根据自动化过程中确定的质量标准和误差分析，丢弃了它们的参数。这些被拒绝的光谱中的大多数被发现具有广泛的光谱特征，表明它们可能是热的和/或快速旋转的恒星，这些恒星不在FGKM恒星的参考合成光谱网格中。
2012-04-04 astro-ph.IM astro-ph.SR
Stellar Spectral Interpolation using Machine Learning
理论恒星光谱依赖于恒星大气模型，该模型是根据我们对恒星内部物理定律的理解计算出来的。这些模型，再加上原子和分子线数据库，被用来生成理论恒星光谱库（SSL），包括恒星光谱的大气参数（温度，表面重力，丰度）在任何所需的分辨率定期网格。另一类SSL被称为经验光谱库;这些包含在有限分辨率下观察到的光谱。在推导恒星和恒星星族的性质方面，超晶格起着至关重要的作用。理论库和经验库都受到参数空间覆盖范围有限的影响。通过在可用参数空间的网格内进行内插来生成特定大气参数集的光谱，在一定程度上克服了这一限制。在这项工作中，我们提出了一种使用机器学习算法在光学区域进行光谱插值的方法，该算法是通用的，易于适应任何SSL，而无需对模型参数进行太多更改，并且计算成本低廉。我们使用两种机器学习技术，随机森林（RF）和人工神经网络（ANN），并在MILES库上训练模型。我们将训练好的模型应用于CFLIB的光谱进行测试，结果表明两种模型的性能相当。我们表明，这两个模型实现更好的精度比现有的基于多项式的插值和高斯径向基函数（RBF）插值方法。
2020-06-20 astro-ph.IM astro-ph.SR
Stellar Population Astrophysics (SPA) with the TNG: Identification of a Sulphur line at lambda(air) = 1063.600nm in GIANO-B stellar spectra
上下文随着新的红外高分辨率光谱仪的出现，迫切需要精确的红外原子数据。在许多情况下，近红外恒星谱线的识别、波长、强度、展宽和超精细分裂参数不足以精确地模拟观测光谱，在其他情况下甚至不存在。一些恒星的特征还没有被确认。目标。这项工作的目的是确定在不同光谱类型的恒星的光谱中看到的λ（vac）= 1063.891 nm或λ（air）= 1063.600 nm的光谱特征，用GIANO-B光谱仪观察。方法.从标准原子数据库中搜索谱线以匹配谱线列表中未识别的特征没有成功。然而，通过调查原始的、已发表的实验室数据，我们能够识别出这一特征并解决问题。为了确认它的识别，我们在太阳强度谱中模拟了假定的恒星线，并找到了一个很好的匹配。结果我们发现，所观察到的光谱特征是一个恒星线起源于4s '-4p'过渡在SI，和它的缺席的原因是在原来的实验室测量从1967年为这条线的空气到真空的校正在原子线数据库。由内插求得S-I线的实验室波长为λ（vac）= 1063.8908 nm或λ（air）= 1063.5993 nm，上能级的激发能为9.74978 eV。
2019-10-08 astro-ph.IM astro-ph.SR
Prediction of the Atmospheric Fundamental Parameters from Stellar Spectra Using Artificial Neural Network
地面和空间仪器的创新将我们带入了一个新的光谱学时代，在这个时代，大量的恒星内容变得可用。由于大量的观测光谱数据和理论光谱数据的存在，近年来恒星光谱的自动分类变得越来越主观。在本文中，我们开发了一个人工神经网络（ANN）算法的恒星光谱自动分类。该算法已被应用于Sloan数字巡天（SDSS）观测到的一些热富氦白矮星和Onderjove天文台观测到的B型光谱的基本参数的提取。我们比较了目前的基本参数和那些从最小距离方法，以澄清本算法的准确性，我们发现，预测的大气参数为两个样本是在良好的协议约50%的样本。一个可能的解释为其余的样品发现的差异进行了讨论。
2020-06-24 astro-ph.IM astro-ph.SR
StarUnLink: identifying and mitigating signals from communications satellites in stellar spectral surveys
本文针对低轨卫星对大规模恒星光谱巡天的污染问题，提出基于卷积网络的识别、参数恢复与源分离方法，在WEAVE类巡天中实现高精度污染标记与小于1%的光谱重建误差，显著提升恒星参数测定性能。
2023-06-28 astro-ph.IM astro-ph.SR
Inversion of stellar fundamental parameters from Espadons and Narval high-resolution spectra
本研究的总体内容是从高分辨率Echelle光谱反演恒星基本参数。我们的目标确实是开发一种快速可靠的工具，用于对Espadons和Narval分光偏振仪产生的光谱进行后处理。我们的反演工具依赖于主成分分析。它允许降维和一个特定的度量的定义，用于搜索最近的邻居之间的观测光谱和一组观测光谱从Elodie恒星库。导出了有效温度、表面重力、总金属丰度和投影旋转速度。在这项研究中提出的各种测试，并从唯一的信息来自一个光谱带中心周围的Mg I b-三重态和光谱从FGK星是非常有前途的。
2014-11-18 astro-ph.IM astro-ph.SR
Denoising medium resolution stellar spectra with neural networks
我们训练的降噪自动编码神经网络中分辨率的模拟光谱的晚型星，以证明原始流量的重建是可能的，在一个典型的相对误差的百分之几下降到一个典型的信噪比为10每像素。我们表明，相对简单的网络能够学习恒星光谱的特性，同时仍然足够灵活，以适应不同的消光值和通量的缺陷，修改整体形状的连续，以及不同的多普勒频移值。去噪光谱可用于为传统的恒星模板拟合算法找到初始值，并且-由于预训练神经网络的评估比传统的模板拟合快得多-当需要快速分析噪声光谱时，例如在观测期间，在单独曝光之间，去噪网络可以是有用的。
2024-09-18 astro-ph.IM astro-ph.SR
How magnetic activity alters what we learn from stellar spectra
磁场和恒星黑子可以改变恒星光谱中吸收线的等效宽度，在活动周期中发生变化。这也影响了我们通过光谱分析获得的信息。在这项研究中，我们分析了在其活动周期的不同阶段观察到的211颗类太阳恒星的高分辨率光谱，以研究恒星活动如何影响恒星参数和化学丰度的光谱测定。我们观察到，线的等效宽度可以增加作为一个函数的活动指数log R $^\prime_{\rm HK}$在恒星周期，这也产生了人为的增长的恒星微湍流和有效温度和金属丰度的下降。这种效应对于活动指数log R $^\prime_{\rm HK}$ $\geq$ $-$ 5.0的恒星是可见的（即，年龄小于4-5 Gyr），并且在较高的活动水平上更显着。这些结果对天体物理学中的几个主题具有根本性的影响，这些主题在本文中讨论，包括恒星核合成，化学标记，银河系化学演化的研究，化学异常恒星，银河系盘的结构，恒星形成速率，拱星盘的光蒸发，和行星狩猎。
2020-04-21 astro-ph.IM astro-ph.SR
Assessing the performance of LTE and NLTE synthetic stellar spectra in a machine learning framework
在当前的恒星光谱巡天时代，合成光谱库是推导恒星参数和化学丰度的基础。在本文中，我们比较了使用五种流行的合成光谱网格（INTRIGOSS，FERRE，AMBRE，PHOENIX和MPIA/1DNLTE）与我们的卷积神经网络（CNN，$\texttt{StarNet}$）确定的恒星参数。恒星的参数被确定为六个物理特性（有效温度，表面重力，金属，[ $α$ /Fe]，径向速度和旋转速度）给定的光谱分辨率，信噪比，和波长范围的光学火焰紫外光谱从盖亚-ESO调查。CNN建模和认识的不确定性都通过训练网络的集合来合并。$\texttt{StarNet}$训练也适用于通过增加真实的观测特征（即分辨率匹配、波长采样、高斯噪声、零通量值、旋转和径向速度、连续体去除和掩蔽大地区域）来减轻合成网格和观测光谱之间的差异。利用FGK型矮星和巨星的FLAMES-UVES光谱作为测试集，我们对$\texttt{StarNet}$的星标预测的准确性和精度进行了量化。当$\texttt{StarNet}$在MPIA/1DNLTE合成网格上训练时，我们在很宽的参数范围内发现了优异的结果，并且当在1DLTE网格上训练时，在较小的参数范围内得到了可接受的结果。这些测试还表明，我们的CNN管道是高度适应多个模拟网格。
2020-09-02 astro-ph.IM astro-ph.SR
SDSS/SEGUE Spectral Feature Analysis For Stellar Atmospheric Parameter Estimation
大规模深空观测任务正在迅速收集大量的恒星光谱，这就需要直接从光谱中估计大气参数，并使在大数据集中对潜在原理进行统计研究成为可能。本文提出了一种从恒星光谱中估算参数$T_{eff}$、log $~g$和[Fe/H]的方法。利用这种技术，我们首先使用LASSO算法从恒星光谱中提取特征，然后使用SVR从提取的特征中估计参数。以SDSS/SEGUE Pipeline SSPP提供的参考参数为基础，在SDSS提供的20~000个恒星光谱子样本上，log $~T_{eff}$（$T_{eff}$为101.609921 K）、log $~g$和[Fe/H]的估计一致性分别为0.007458 dex、0.189557 dex和0.182060 dex，其中一致性用平均绝对误差来评价。该方案的突出特点是稀疏性、局部性和物理可解释性。在这项工作中，每个光谱由3821个通量组成，并分别检测了10个，19个和14个典型的波长位置，用于估计$T_{eff}$，log $~g$和[Fe/H]。结果表明，这些位置与恒星光谱的典型谱线有关。这一特性在研究分析结果的物理指示时很重要。然后，恒星光谱可以描述的个人流量的检测位置（PD）或本地积分流量附近（LI）。上述一致性是基于LI描述的特征的结果。如果用PD描述特征，log $~T_{eff}$的一致性为0.009092 dex（$T_{eff}$为124.5450…
2015-04-10 astro-ph.IM astro-ph.SR
Atmospheric stellar parameters for large surveys using FASMA, a new spectral synthesis package
在以银河系恒星星族为重点的大规模光谱调查的时代，天文学家希望利用大量和高质量的数据来获得它们的大气参数，而不会失去自动程序的精度。在这项工作中，我们开发了一个新的光谱包，FASMA，估计恒星大气参数（即有效温度，表面重力和金属丰度）在一个快速和强大的方式。该方法适用于FGK型恒星的中高分辨率光谱。光谱分析基于使用辐射转移代码MOOG的光谱合成技术。谱线列表主要由光谱中的铁谱线组成。原子数据是在太阳和大角星之后校准的。我们使用两个比较样本来测试我们的方法，i）来自高分辨率HARPS光谱仪的451个FGK型矮星样本，ii）使用高分辨率和中等分辨率光谱的Gaia-ESO基准星。我们探索偏见，我们的方法从分析合成光谱覆盖我们感兴趣的参数空间。我们表明，我们的光谱包是能够提供可靠的结果，为广泛的恒星参数，不同的旋转速度，不同的仪器分辨率，并为不同的光谱区域的VLT-GIRAFFE光谱仪，除其他外用于盖亚-ESO调查。FASMA估计恒星参数在不到15分钟的高分辨率和3分钟的中分辨率光谱。完整的软件包向社区公开。
2017-10-16 astro-ph.IM astro-ph.SR
An upgraded interpolator of the radial basis functions network for spectral calculation based on empirical stellar spectral library
恒星星族综合是星系和星团研究中的一种重要方法。在恒星星族综合模型中，恒星光谱库是计算恒星星族综合光谱所必需的。恒星光谱库通常用于恒星大气参数与恒星光谱之间的转换。经验恒星光谱库具有理论光谱库不可替代的优势。但是对于经验光谱库，恒星在恒星大气参数空间的分布是不规则的，这使得传统的光谱分析方法很难得到准确的结果。本文提出了一种改进的径向基函数插值算法，并利用该算法对经验恒星光谱库进行插值。对于这个σ，我们利用高斯径向基函数中的标准方差σ与恒星大气参数空间中恒星密度分布之间的关系，给出了这个σ的先验约束。此外，我们还考虑了各向异性的半径基函数的优势，恒星的本地色散的恒星大气参数空间。此外，我们使用经验恒星光谱库MILES来测试这个问题。总体上，除低温区边缘外，该器件具有良好的性能。最后，我们将该方法与Cheng等人（2018）的工作进行了比较，插值结果显示出明显的改进。用户可以使用该工具快速、方便地获得基于恒星光谱库的插值光谱。
2020-07-09 astro-ph.IM
MPS-ATLAS: A fast all-in-one code for synthesising stellar spectra
上下文恒星光谱合成对于从确定恒星参数到全面的恒星变率计算的各种应用都是必不可少的。新的观测资源以及先进的恒星大气建模，考虑到辐射磁流体力学计算的三维（3D）效应，需要更有效的辐射转移。目标。为了准确、快速和灵活地计算不透明度分布函数（ODF）、恒星大气和恒星光谱，我们在成熟的ATLAS 9代码基础上开发了一个高效的代码。新代码还为在恒星计算中轻松快速地访问不同元素组成铺平了道路。方法.为了生成ODF表，我们进一步开发了完善的DFSYNTHE代码，实现了额外的功能，并通过采用并行计算方案来加速。此外，使用的线路列表可以从Kurucz的最新列表中更改。特别是，我们实现了VALD 3行列表。结果本文提出了一种新的程序--合并的简化ATLAS程序。它结合了ODF的有效生成，大气建模和光谱合成在当地的热力学平衡，因此是一个所有功能于一身的代码。这种一体化代码提供了更多的数字功能，并且与其他可用代码相比速度更快。完全可移植的MPS-ATLAS代码与以前的ATLAS 9计算、PHOENIX代码计算和高质量观测进行了验证。
2021-05-28 astro-ph.IM astro-ph.SR
MSG: A software package for interpolating stellar spectra in pre-calculated grids
虽然恒星发出的光谱可以通过模拟恒星大气层中每一层的辐射流来计算，但这个过程在计算上是昂贵的。因此，在光球参数的网格上预先计算光谱，然后在该网格内插值，通常会更有效。MSG（Multidimensional Spectral Grids的缩写）是一个实现这种插值功能的软件包。
2023-01-29 astro-ph.IM astro-ph.SR
PCA-based inversion of stellar fundamental parameters from high-resolution Echelle spectra
本研究的总体内容是从高分辨率Echelle光谱反演恒星基本参数。我们的目标是开发一种快速可靠的工具，用于对特别是Espadons和Narval分光偏振仪产生的光谱进行后处理。我们的反演工具依赖于主成分分析。它允许降维和一个特定的度量的定义，用于搜索观察到的光谱和一组合成光谱之间的最近邻。导出了有效温度、表面重力、总金属丰度和投影自转速度。我们的第一次测试，基本上是根据来自RVS光谱仪即将从GAIA空间天文台观测到的光谱带的唯一信息进行的，并且主要来自FGK矮星的光谱非常有希望。我们还测试了我们的方法与一些目标超出这个域的H-R图。
2014-08-04 astro-ph.IM astro-ph.SR
GALA: an automatic tool for the abundance analysis of stellar spectra
GALA是一个自由分发的Fortran代码，使用基于金属线等效宽度的经典方法自动导出大气参数（温度、重力、微湍流速度和总金属丰度）和单个恒星光谱物种的丰度。使用R.开发的WIDTH 9代码推导出各个谱线的丰度。L.库鲁茨GALA的目的是获得最佳的模式大气，通过优化温度，表面重力，微湍流速度和金属含量，在拒绝的差异线。最后，它计算每个大气参数和丰度的精确内部误差。该代码允许在很短的时间内获得大的恒星样本的化学丰度和大气参数，从而使GALA在多目标摄谱仪和大型调查的时代的有用工具。一组广泛的测试与合成和观察到的光谱进行和讨论，探索的能力和鲁棒性的代码。
2013-02-14 astro-ph.IM astro-ph.SR
MPS-ATLAS library of stellar model atmospheres and spectra
恒星光谱包含了大量关于恒星大气状况的信息。然而，提取这些信息是具有挑战性的，需要全面的数值建模。在这里，我们提出了恒星光谱合成使用最近开发的国家的最先进的MPS-ATLAS代码上的恒星基本参数的细网格。这些计算已被广泛验证对太阳和恒星的观测，并可用于各种天体物理学的应用。这些光谱可在马克斯·普朗克数字图书馆（MPDL，https://edmond.mpdl.mpg.de/dataset.xhtml?）上获得persistentId=doi：10.17617/3.NJ56TR），并已被纳入ExoTiC-LD python包（https：//github.com/Exo-TiC/ExoTiC-LD/），该包返回用于软件包Exoplanet Timeseries Characterisation（ExoTic）的恒星临边暗化系数。
2023-03-05 astro-ph.EP astro-ph.IM astro-ph.SR
A Data-Driven Technique for Measuring Stellar Rotation
测量恒星的自转速度是探索许多驱动恒星角动量演化的天体物理现象的一种有效方法。在本文中，我们提出了一种新的数据驱动的方法来测量投影旋转速度，$v\sin{i}$。而不是直接测量谱线的加宽，我们利用高分辨率光谱数据的大量信息内容来经验性地估计$v\sin{i}$。我们采用了The Cannon（Ness等人，2015）制定的框架，该框架使用高保真度参考数据训练恒星通量作为波长函数的生成模型，然后可以直接从其他恒星的光谱中产生恒星参数和丰度的估计。然而，我们没有将通量建模为波长的函数，而是对光谱的一阶导数进行建模，因为我们期望谱线的斜率作为$v\sin{i}$的函数而变化。这种技术是计算效率高，并提供了一种快速估计$v\sin{i}~$的光谱调查数据中的大量恒星的手段。我们分析了SDSS APOGEE光谱，构建了一个模型，该模型由来自高分辨率加州开普勒巡天光谱的高保真恒星参数估计提供信息。我们使用该模型估计$v\sin{i}~$高达$15\,km\,s^{-1}$的$27,000$ APOGEE光谱，在一秒的分数每个光谱。我们的估计值与APOGEE $v\sin{i}~$估计值一致，在$1.2\,km\,s^{-1}$范围内。
2019-02-28 astro-ph.IM astro-ph.SR
A constrained linear model for continuum normalization of stellar spectra
School of Physics & Astronomy, Monash University（蒙纳士大学物理与天文学学院）；Centre of Excellence for Astrophysics in Three Dimensions (ASTRO-3D)（三维天体物理学卓越中心）；Center for Computational Astrophysics, Flatiron Institute（西蒙斯计算天体物理学中心）；Center for Cosmology and Particle Physics, Department of Physics, New York University（纽约大学物理系宇宙学与粒子物理中心）；Max-Planck-Institut für Astronomie（马克斯·普朗克天体物理研究所）；Department of Astrophysical Sciences, Princeton University（普林斯顿大学天体物理科学系）；Department of Physics, Harvard University（哈佛大学物理系）；Harvard-Smithsonian Center for Astrophysics（哈佛史密松天体物理中心）；Department of Astronomy & Astrophysics, University of Chicago（芝加哥大学天文与天体物理系）
本文提出一种受限线性模型，用于高精度恒星光谱连续性标准化，通过非负矩阵分解有效拟合恒星吸收和大气传输，提升信噪比下的测量精度。
2026-01-27 astro-ph.IM astro-ph.SR
Stellar atmosphere interpolator for empirical and synthetic spectra
我们提出了一个新的恒星大气模型，我们将使用它来计算基于经验和/或合成光谱的恒星星族模型。我们结合观察到的和合成的恒星光谱，以实现或多或少的均匀覆盖的（T_eff，log g，[Fe/H]）参数空间。通过拟合SDSS巡天的早型星系光谱，验证了半经验的恒星星族模型
2015-11-23 astro-ph.IM
Closing the stellar labels gap: Stellar label independent evidence for [$α/M$] information in Gaia BP/RP spectra
本文提出不依赖恒星标签的变分自编码器模型，用于Gaia BP/RP光谱重建，并证明XP光谱在5000 K以下巨星中独立包含有意义的[$α/M$]信息。
2025-02-05 astro-ph.GA astro-ph.IM astro-ph.SR
Multi-segment and Echelle stellar spectra processing issues and how to solve them
高质量的恒星光谱现在需求量很大--它们是研究星系和星团的恒星星族合成中最重要的成分。在这里，我们描述的程序，以提高质量的恒星光谱的流量校准。我们使用的例子，近红外中等分辨率Echelle光谱收集与折叠的红色Echellete（R~6500，Magellan Baade）和高分辨率的紫外光光谱观察UVES（R~80000，ESO VLT）。利用这些方法，我们获得了1- 2%的光谱定标质量，满足了恒星星族合成对恒星光谱质量的要求
2021-12-02 astro-ph.IM
Stellar Characterization of Keck HIRES Spectra with The Cannon
为了准确地解释观测到的系外行星的性质，有必要首先对宿主恒星的性质进行详细的了解。然而，以恒星为基础分析恒星性质的物理模型在足够大的样本下可能变得难以计算。此外，这些模型受到可用光谱的波长覆盖的限制。我们结合以前从冷星光谱特性（SPOCS）目录中获得的光谱特性（Brewer et al. 2016）使用Cannon生成建模，以生成能够导出恒星参数的模型（$\log g$、$T_{\mathrm{eff}}$和$v\sin i$）和15种元素丰度（C，N，O，Na，Mg，Al，Si，Ca，Ti，V，Cr，Mn，Fe，Ni，and Y）的恒星光谱。我们证明了我们的模型的高准确性和精度，它只需要$\sim$ 3秒，以分类每个恒星，通过交叉验证与预先标记的光谱从SPOCS样本。我们的训练模型以连续归一化模板光谱作为输入，可在https://github.com/malenarice/keckspec上公开获得。最后，我们内插我们的光谱，并采用相同的建模方案，以恢复标签477恒星使用档案恒星光谱之前获得凯克的2004年探测器升级，证明了我们的插值模型可以成功地预测不同光谱仪的恒星标签，这些光谱仪具有（1）足够相似的系统学和（2）与后光谱仪的波长范围基本重叠的波长范围。2004年HIRES光谱。
2020-07-06 astro-ph.EP astro-ph.IM astro-ph.SR
Deriving the stellar labels of LAMOST spectra with Stellar LAbel Machine (SLAM)
LAMOST调查在其数据发布5（DR 5）中提供了900万个光谱，R $\sim$ 1800。对于如此大的样本，提取精确的恒星标签至关重要。在本文中，我们报告的恒星LABEL机（SLAM），这是一个基于支持向量回归（SVR），一个强大的非线性回归技术的数据驱动的方法的实现。由于能够用SVR对高度非线性问题进行建模，SLAM通常可以在广泛的光谱类型上获得恒星标签。与其他流行的数据驱动方法相比，这使它具有独特的功能。为了说明这种能力，我们测试的性能SLAM的恒星范围从Teff $\sim$ 4000到$\sim$ 8000 K的LAMOST光谱和恒星标签上训练。在g波段信噪比（SNRg）大于100时，Teff、logg和[Fe/H]的随机不确定度分别为50 K、0.09 dex和0.07 dex。然后，我们建立了另一个由APOGEE和LAMOST共星训练的SLAM模型，以证明其处理高维问题的能力。光谱来自LAMOST DR 5，训练集的恒星标签来自APOGEE DR 15，包括Teff、logg、[M/H]、[ $α$ /M]、[C/M]和[N/M]。在SNRg $\sim$ 100处，这些参数的交叉验证散点分别为49 K、0.10 dex、0.037 dex、0.026 dex、0.058 dex和0.106 dex。这一性能与其他最新的数据驱动模型处于同一水平。作为一个副产品，我们…
2019-10-07 astro-ph.GA astro-ph.IM astro-ph.SR
The AMBRE Project: Stellar Parameterisation of the ESO:UVES archived spectra
AMBRE项目是欧洲南方天文台（ESO）和蓝色海岸天文台（OCA）之间的合作项目，旨在确定四台ESO摄谱仪存档光谱的恒星大气参数。在AMBRE项目的第三阶段，已经完成了UVES存档光谱的恒星参数分析。从2000年至2010年期间收到的完整ESO：UVES存档数据集中，分析了六种标准设置的51921个光谱。AMBRE分析管道使用恒星参数化算法MATISSE来获得恒星大气参数。合成网格目前仅限于FGKM星。在AMBRE：UVES中分析的51，921个UVES存档光谱中，有12，403个报告了恒星大气参数。这相当于约23.9%的样本和约3，708颗恒星。有效温度、表面重力、金属丰度和α元素与铁的比值丰度提供了10，212个光谱（~19.7%），而至少有效温度提供了其余2，191个光谱。报告了36，881个（~71.0%）分析存档光谱的径向速度。本文报道了sigmaTeff~ 110 dex，sigmalogg~0.18dex，sigma[M/H]~0.13dex和sigma[alpha/Fe]~0.05dex的典型外误差，并报道了巨星和矮星之间以及装置之间的一些变化。UVES用于观测大量的恒星和非恒星天体，所有这些天体都包含在ESO提供给OCA的存档数据集中。AMBRE分析提取位于AMBRE慢旋转合成光谱网格的FGKM参数空间内的那些对象。因此，通过同质盲分析，AMBRE成功地从ESO：…
2016-02-26 astro-ph.GA astro-ph.IM astro-ph.SR
Stellar Spectra Models Classification and Parameter Estimation Using Machine Learning Algorithms
随着巡天观测的不断发展和现有数据库中恒星光谱数据的大量积累，有必要发展新的方法来估算大气参数，这是恒星研究的一项基本任务。在这项工作中，我们提出了不同的机器学习算法的比较，用于恒星合成光谱的分类和基本恒星参数的估计，包括T_eff（K），log（L/Lo），log g，M/Mo，和Vrot。对于这两个任务，我们建立了一组监督学习模型，并提出了一个数据库的措施具有相同的结构，训练的算法。该数据包括在有噪声的合成光谱上的等效宽度类型的测量，以便在真实观察到的光谱上复制自然噪声。该分析考虑了不同水平的信噪比。
2022-06-24 astro-ph.IM
ZASPE: A Code to Measure Stellar Atmospheric Parameters and their Covariance from Spectra
我们描述了带状大气恒星参数估计（ZASPE），一个新的算法，及其相关的代码，用于确定精确的恒星大气参数和它们的不确定性，从高分辨率阶梯光谱的FGK型恒星。ZASPE估计恒星大气参数的方法是将观测到的光谱与合成光谱网格进行比较，只在对大气参数变化最敏感的光谱区进行比较。考虑到观测光谱和最佳拟合合成光谱之间的系统失配，从数据本身计算参数的实际不确定性。在此过程中还估计了参数之间的协方差。ZASPE原则上可以使用任何预先计算的合成光谱网格。我们测试了两个现有库的性能（Coehelo等人，2005年，Husser等人，2013年），我们得出的结论是，这两个库都不适合计算精确的大气参数。我们描述了一个过程来合成一个新的库的合成光谱，发现产生一致的结果时，与不同的方法（干涉，asteroseismology，等效宽度）获得的参数相比。
2016-07-20 astro-ph.EP astro-ph.IM astro-ph.SR
Wobble: A Data-driven Analysis Technique for Time-series Stellar Spectra
近年来，专用的极精密径向速度（EPRV）摄谱仪已经为明亮的恒星产生了大量的高分辨率，高信噪比的时间序列光谱。这些数据包含有价值的信息，通过测量的RV和恒星特征通过共同添加的光谱的行星检测的双重目的。然而，相当大的数据分析的挑战存在于从观测到的光谱中提取这些数据产品在尽可能高的精度，包括大地吸收特性差的问题和假设的恒星光谱模板的共同使用。在这两个例子中，直接使用数据可以避免对外部信息的精度限制依赖。在这里，我们提出了一个数据驱动的方法，同时提取精确的RV和推断使用线性模型（在流量的日志）的基础恒星和大地光谱。该模型采用凸目标和凸正则化，以保持快速优化的光谱分量。我们在wobble中实现了这种方法，wobble是一个开源的Python包，它在天文数据的第一个非神经网络应用程序中使用了TensorFlow。在这项工作中，我们展示了档案HARPS光谱摆动的性能。我们恢复了规范的系外行星51飞马座b，检测M矮巴纳德星的长期RV演化，并检索热木星HD 189733 b的罗斯特-麦克劳克林效应。该方法还产生极高的S/N复合恒星光谱和详细的时变大地光谱，我们也在这里。
2019-09-30 astro-ph.EP astro-ph.IM astro-ph.SR
Multi-line Analysis of Stellar Spectra in the VO Environment
尽管缺乏仅由遗留应用程序支持的重要功能，但当前的VO兼容工具具有足够的功能，可以使用公共档案和本地专有数据对恒星光谱进行强大的分析。我们给出了可能的多波长分析的变化，在不同的谱线使用当前的SSAP-compatible VO工具的例子。未来的VO应用支持更精细的恒星分析方法的潜力进行了讨论。
2011-12-13 astro-ph.IM
The recalibration of the UVES-POP stellar spectral library
我们使用UVES管道的5.5.7版本和我们设计的算法重新减少了UVES-POP恒星光谱库中的所有光谱，该算法允许我们去除中阶梯光栅阶数拼接区域中的波纹。这些波纹是由平场相对于科学框架的偏移以及散射光的减影不足或过减引起的。我们还开发了一种方法来合并6 UVES光谱块划分的差距，在光谱覆盖范围内，通过使用合成恒星大气来预测段之间的通量差。最后，我们将库中430个光谱中的85%的通量校准质量提高到2%或更好。
2018-02-10 astro-ph.IM
Toward Robust Corrections for Stellar Contamination in JWST Exoplanet Transmission Spectra
本文探讨了恒星模型在可靠校正JWST系外行星透射光谱中恒星污染的能力，发现模型差异会显著增加噪声预算，但在模型保真度足够高时，污染贡献远低于光子噪声，并提倡以数据驱动方式开发模型光谱及考虑多模态后验分布的分析技术。
2024-07-22 astro-ph.EP astro-ph.IM astro-ph.SR
Stellar Spectra Classification and Feature evaluation Based on Random Forest
本研究针对无绝对流量定标的恒星光谱，提出基于17阶多项式归一化和随机森林的分类方案，在四个光谱库上验证了良好性能，并评估了光谱特征以辅助理解与改进。
2019-03-19 astro-ph.IM
Spatially resolved spectroscopy across stellar surfaces. IV. F, G, & K-stars: Synthetic 3D spectra at hyper-high resolution
高精度恒星分析需要流体动力学3D建模。这些模型预测了恒星盘面上谱线形状、不对称性和波长偏移的变化。对于测试模型在恒星以外的太阳，空间分辨观测是可行的，从差分光谱在系外行星过境，检索光谱的恒星表面部分，相继成为隐藏在后面的过境行星，如论文I，II和III。现在可以从3D模型中获得扩展光谱区域的合成高分辨率光谱。与其他从头算模拟类似，这些数据包含尚未专门建模的模式，但可能会在类似于大量观测的分析后显示出来。从T=3964- 6726 K的五个3D模型（约光谱类型K8 V-F3 V），分析超高分辨率（R> 1，000，000）的合成光谱。选定的FeI和FeII线在不同位置的恒星盘进行搜索模式之间的不同线在同一颗恒星和不同的恒星之间的类似的线。这种模式被确定为代表光球线的不同强度，激发电位，电离水平，编码的流体动力学的三维结构。线剖面和平分线显示了不同的恒星在不同位置的恒星盘。绝对对流波长的变化，获得作为差异的一维模型，在这种变化不会发生。从现实复杂的合成光谱中检索线属性的可观测关系。这种模式还可以测试非常详细的3D建模，包括非LTE效果。虽然目前的结果是在超高光谱分辨率下获得的，但随后的论文V在实际较低的分辨率和存在噪声的情况下研究了它们的实际可观测性。
2021-03-05 astro-ph.EP astro-ph.IM astro-ph.SR
Low-Resolution Near-infrared Stellar Spectra Observed by the Cosmic Infrared Background Experiment (CIBER)
利用低分辨率光谱仪对105颗亮星（${m_{J}}$ $<$ 10）进行了近红外（0.8-1.8 $μ$ m）光谱观测。由于我们的观测是在地球大气层上方进行的，因此我们的光谱不受大地污染，这使得它们成为近红外光谱校准的独特资源。两微米全天巡天（2 MASS）测光信息用于识别交叉匹配的恒星后，减少和提取的光谱。我们确定的光谱类型的观察到的恒星，通过比较它们与红外望远镜设施（IRTF）库的光谱模板。所有观测到的光谱都与晚期F到M恒星的光谱类型一致，我们识别出了各种红外吸收线。
2017-01-13 astro-ph.GA astro-ph.IM astro-ph.SR
O-type Stars Stellar Parameter Estimation Using Recurrent Neural Networks
Centro Universitario de Ciencias Economico Administrativas (CUCEA), Universidad de Guadalajara（瓜达拉哈拉大学经济管理科学大学中心（CUCEA））；Instituto de Astronomía y Meteorología (IAM), Universidad de Guadalajara（瓜达拉哈拉大学天文与气象研究所（IAM））；Escuela Nacional Colegio de Ciencias y Humanidades, Plantel Sur (ENCCH Sur), Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学（UNAM）国立科学与人文学院南校区（ENCCH Sur））
在本文中，我们提出了一种深度学习系统方法，使用恒星光谱的光学区域来估计O型恒星的光度，有效温度和表面重力。在以前的工作中，我们比较了一组机器学习和深度学习算法，以便建立一种可靠的方法来使用两种方法拟合恒星模型：恒星光谱模型的分类和回归型任务中物理参数的估计。在这里，我们提出的过程中，估计个人的物理参数，从人工神经网络的角度来看，有能力处理恒星光谱与低信噪比（S/N），在$<$ 20 S/N的边界。三种不同的递归神经网络系统的发展，使用恒星光谱模型的训练过程中，测试超过9个不同的观测恒星光谱，并与以前的作品中的估计比较。此外，恒星光谱的表征方法，以减少系统的输入数据的维数和优化的计算资源进行了讨论。
2022-10-27 astro-ph.IM astro-ph.SR cs.LG
Generating stellar spectra using Neural Networks
提出结合自动编码器与全连接神经网络的恒星光谱生成方法，可由恒星参数直接输出与ATLAS9/SYNSPEC合成光谱特征一致的归一化光谱。
2024-01-24 astro-ph.IM astro-ph.SR physics.comp-ph
Spatially resolved spectroscopy across stellar surfaces. II. High-resolution spectra across HD209458 (G0V)
背景：空间分辨恒星表面的高分辨率光谱学旨在获得不受旋转加宽影响的谱线轮廓;这些轮廓从盘中心向恒星边缘的逐渐变化揭示了大气精细结构的性质，这可以用3-D流体动力学建模。AIMS：以前的研究只针对太阳，但现在已经扩展到其他恒星。在这项工作中，轮廓的光球谱线检索整个磁盘的行星托管恒星HD 209458（G 0 V）。方法：在系外行星过境期间，恒星表面部分相继变得隐藏，差分光谱提供了暂时隐藏在行星后面的小表面部分的光谱。该方法在论文I中进行了详细阐述，从流体动力学模拟中定量预测了可观察到的特征。研究结果：从HD209458的光谱分辨率R= 80，000的观测，光球FeI线轮廓在几个中心到边缘的位置，达到足够高的S/N后，平均超过许多类似的线结论：检索线轮廓合成线轮廓相比。流体动力学3-D模型预测，目前的观测证实，光球吸收线变得更宽，更浅的恒星边缘，反映了恒星颗粒的水平速度大于垂直速度。其他类型的3-D特征将在大型望远镜上用最高分辨率的光谱仪观测到。
2017-08-04 astro-ph.EP astro-ph.IM astro-ph.SR
Spectra as Language: Large Language Models for Scalable Stellar Parameter and Abundance Inference
National Astronomical Observatories, Chinese Academy of Sciences, Beijing 100101, China（中国科学院国家天文台）；University of Chinese Academy of Sciences, Beijing 100049, China（中国科学院大学）；School of Astronomy and Space Science, University of Chinese Academy of Sciences, Beijing 100049, China（中国科学院大学天文与空间科学学院）；University of Chinese Academy of Sciences, Nanjing 211135, China（中国科学院大学南京校区）
提出两阶段大型语言模型框架，将恒星光谱视为序列信号，实现有效温度、表面重力、金属丰度及约20种化学元素丰度的准确估计，并展示随数据量增加性能系统提升的可扩展性。
2026-05-26 astro-ph.IM astro-ph.SR cs.LG
Study on Outliers in the Big Stellar Spectral Dataset of the Fifth Data Release (DR5) of the Large Sky Area Multi-Object Fiber Spectroscopic Telescope (LAMOST)
为了研究大天区面积多目标光纤光谱望远镜（LAMOST）的恒星光谱质量以及LAMOST恒星参数管道（LAMOST Stellar Parameter Pipeline）导出的恒星参数的正确性，对LAMOST第5次数据发布（DR 5）中的AFGK星进行了离群分析。定义离群因子是为了对从DR 5恒星参数目录中选择的300多万个恒星光谱进行排序。我们提出了一种改进的局部离群因子（LOF）方法的基础上，主成分分析和蒙特卡洛，使计算的LOF排名随机挑选的子样本，并行计算的多台计算机，并最终获得每个光谱在整个数据集的离群值排名。选取了约占光谱总数千分之一的3,627个最离群光谱进行聚类，得到10组光谱，其参数密度分布符合LAMOST DR 5的参数分布，表明在整个参数空间中，坏光谱的概率是均匀分布的。通过与APOGEE交叉匹配，我们得到了122个共同的光谱。对122个光谱，LASP计算的参数与APOGEE一致，尽管其中有坏像素或坏通量校准。另一方面，一些异常光谱显示出强烈的星云污染，警告相应的参数应谨慎使用。所有3,627个异常值的目录和光谱图集可以在http://paperdata.china-vo.org/LY_paper/dr5Outlier/dr5Outlier_resource.zip上找到。
2021-07-06 astro-ph.GA astro-ph.IM astro-ph.SR
Deep Learning application for stellar parameters determination: II- Application to observed spectra of AFGK stars
在这篇后续论文中，我们研究了使用卷积神经网络从观测光谱中推导恒星参数。使用先前确定的超参数，我们构建了一个适合于推导Teff，log g，[M/H]和vesini的神经网络架构。通过将网络应用于不同分辨率的AFGK合成光谱数据库，对网络进行了约束。然后，从Polarbase，SOPHIE，和APPLICADIE数据库中的A星的参数，以及FGK星的光谱巡天在太阳附近。网络模型的恒星参数的平均精度被发现是低至80 K的Teff，0.06 dex的log g，0.08 dex的[M/H]，和3 km/s的vesini的AFGK星。
2022-10-31 astro-ph.IM astro-ph.SR physics.comp-ph
POSTELLAR: Posterior Stellar Spectrum Sampling - An Alternative to Approximate Stellar Spectra for Exoplanetary Analysis
McGill University（麦吉尔大学）；Trottier Space Institute, McGill University（麦吉尔大学特罗蒂尔太空研究所）；Ciela Institute（Ciela研究所）；Department of Earth and Planetary Sciences, McGill University（麦吉尔大学地球与行星科学系）；Université de Montréal（蒙特利尔大学）；Mila—Quebec Artificial Intelligence Institute（Mila-魁北克人工智能研究所）；Institut Trottier de Recherche sur les Exoplanètes, Université de Montréal（蒙特利尔大学特罗蒂尔系外行星研究所）；Observatoire du Mont-Mégantic, Université de Montréal（蒙特利尔大学梅格尼克山天文台）
提出postellar方法，通过将恒星光谱视为潜在变量并结合扩散模型先验进行后验采样，在高分辨率光谱中更准确恢复恒星光谱并提升径向速度精度，适用于系外行星分析。
2026-09-09 astro-ph.EP astro-ph.IM astro-ph.SR
deep-REMAP: Parameterization of Stellar Spectra Using Regularized Multi-Task Learning
Machine Learning Collective（机器学习集合）
针对天文数据激增挑战，提出深度正则化多任务学习框架deep-REMAP，利用合成与观测光谱准确预测恒星大气参数，展现出卓越的预测能力与扩展性。
2023-11-21 astro-ph.GA astro-ph.IM astro-ph.SR
STCTM: a forward modeling and retrieval framework for stellar contamination and stellar spectra
本文提出STCTM框架，通过贝叶斯反演建模恒星表面非均匀性引起的凌星光源效应对透射光谱的污染，并利用exotune子模块从凌星外光谱获取数据驱动先验，以区分行星与恒星的贡献。
2025-08-25 astro-ph.EP astro-ph.IM astro-ph.SR
GSP-spec line list for the parametrisation of Gaia -RVS stellar spectra
盖亚任务是一个星等有限的全天巡天，收集了大量的天体测量、分光光度测量和光谱数据。在所有机载仪器中，径向速度光谱仪（RVS）可产生高达G $_{RVS} \sim 16$量级的数百万个光谱。对于最亮的RVS目标，恒星大气参数和单个化学丰度由广义恒星参数化器光谱组（GSP-Spec）自动估计。这些数据将与第三次盖亚数据发布一起发布。确定这些恒星参数的一些主要成分包括用于计算参考合成光谱的原子和分子谱线列表，参数化方法依赖于这些谱线列表。我们的目标是建立这样一个特定的线列表优化RVS晚型恒星光谱的分析。从Gaia-ESO谱线表出发，我们首先比较了RVS仪器所覆盖波长范围内六颗著名晚型参考星的观测光谱和合成光谱。然后，我们改进了呈现最大失配的转换的原子数据的质量。新的谱线表被发现产生非常高质量的合成光谱的测试参考星，并已通过GSP-Spec。
2021-09-14 astro-ph.GA astro-ph.IM astro-ph.SR
Deep Learning application for stellar parameters determination: I- Constraining the hyperparameters
机器学习是一种有效的方法，用于分析和解释越来越多的可用天文数据。在这项研究中，我们展示了一种教学方法，这种方法应该有利于任何愿意在恒星参数确定的背景下尝试深度学习技术的人。利用卷积神经网络架构，我们给出了一个逐步概述如何选择最佳参数推导出最准确的恒星的恒星参数值：T $_{\rm{eff}}$，$\log g$，[X/H]，和$v_e \sin i$。随机噪声的合成光谱被用来约束这种方法，并模仿的意见。我们发现，每个恒星参数需要不同的网络超参数组合，达到的最大精度取决于这种组合，以及观测的信噪比和网络的架构。我们还表明，这种技术可以应用于其他光谱类型在不同的波长范围内的技术进行了优化后。
2022-01-29 astro-ph.IM astro-ph.SR physics.data-an
Closing the stellar labels gap: An unsupervised, generative model for $\textit{Gaia}$ BP/RP spectra
针对 Gaia DR3 海量 BP/RP 光谱缺乏恒星标签的问题，提出无需标签的 scatter 变分自编码器，联合建模系数与内禀散射，并在监督方法失效区域准确再现光谱。
2023-07-12 astro-ph.GA astro-ph.IM astro-ph.SR
The Impact of Stellar Model Spectra in Disk Detection
我们提出了一个研究的影响，不同的模型组在检测拱星碎片盘。几乎所有以前的研究在这一领域都使用Kurucz模型光谱预测恒星的贡献流量的观测波长，从而确定存在的磁盘过剩。直到最近，其他型号的团体或家庭，如马克和下一代凤凰成为可在同一程度上。这项研究的目的是确定是否预测的恒星通量的磁盘目标可以改变与选择的模型家庭-磁盘过剩可以存在于使用一个模型家庭，而缺席另一个？对Kurucz模型光谱与相同恒星参数的Mrcs和NextGen模型光谱进行了简单的比较，在近红外波长处存在差异。模型光谱的波长通常不能延伸到观测的波长，因此需要光谱的外推。在模型光谱外推到斯皮策MIPS通带时，对恒星贡献的预测在70 μ m时对F、G和早期K光谱类型的差异为5%，对早期M矮星的差异增加到15%。分析了Spitzer MIPS 24 mum对37颗F、G和K类太阳星的观测结果。在使用Kurucz模型光谱中，检测到7个磁盘过量，而在使用Marcs和NextGen-Phoenix模型光谱中分别仅检测到3个和4个过量。
2010-09-29 astro-ph.EP astro-ph.GA astro-ph.IM
Resolved and Integrated Stellar Masses in the SDSS-IV/MaNGA Survey, Paper I: PCA spectral fitting & stellar mass-to-light ratio estimates
我们提出了一种方法拟合光谱的星系使用的基组的主成分分析（PCA）的40000恒星形成历史（SFHS）的合成光谱库中获得的6个向量。使用这个库，我们提供了估计的解决有效的恒星质光比（$\log Υ^*$）的数千个星系的SDSS-IV/MANGA积分场光谱调查。使用一个测试框架建立在额外的合成SFHS，我们表明，恒星的质光比的估计是可靠的（因为它们的不确定性）在各种信噪比，恒星金属丰度，尘埃衰减条件。最后，我们描述了未来发布的解决恒星质光比作为SDSS-IV/MANGA增值目录（VAC），并提供了一个链接到用于进行这种分析的软件。
2019-08-06 astro-ph.GA astro-ph.IM
Searching for Sub-Second Stellar Variability with Wide-Field Star Trails and Deep Learning
我们提出了一种方法，使宽视场地面望远镜扫描亚秒恒星的变化天空。该方法具有操作和图像处理部分。操作部分是拍摄星迹图像。每个轨迹作为其相应光源的光变曲线，并有助于子曝光测光。我们训练一个深度神经网络来识别宽视场星迹图像中的恒星变化。我们使用大型综合巡天望远镜（LSST）光子模拟器生成模拟的星迹图像，并包括瞬态爆发作为可变性的代理。网络识别时间尺度低至10毫秒的瞬时突发。我们认为，有天体物理学的多个领域，可以先进的独特组合的时间分辨率和观测吞吐量，我们的方法提供。
2018-10-09 astro-ph.IM
A novel stellar spectrum denoising method based on deep Bayesian modeling
光谱去噪是大规模光谱测量的重要步骤。提出了一种基于深度贝叶斯建模的恒星光谱去噪方法。我们的模型的构建包括每个恒星子类的先验分布，光谱发生器和基于流的噪声模型。我们的方法考虑了噪声相关结构，它不受强天空发射线和宇宙射线的影响。此外，它能够自然地处理光谱与丢失的通量值，而无需ad-hoc插补。该方法在斯隆数字巡天（SDSS）的真实恒星光谱上进行了评估，并列出了常见恒星子类的全面列表，并与标准去噪自动编码器进行了比较。我们的去噪方法在去噪质量和缺失通量填补方面表现出优于标准去噪自动编码器的性能。在数据预处理过程中应用该方法，可能有助于提高恒星分类和物理参数测量的精度。
2021-03-04 astro-ph.IM
Sengi: a small, fast, interactive viewer for spectral outputs from stellar population synthesis models
我们提出了森吉，https://christopherlovell.github.io/sengi，一个在线工具，用于查看光谱输出的恒星星族合成（SPS）代码。典型的SPS代码需要大量的磁盘空间或计算资源来产生具有任意参数的简单恒星星族的光谱。这使得他们很难以互动的、网络友好的格式展示他们的结果。Sengi使用非负矩阵分解（NMF）和双线性插值来估计恒星年龄和金属丰度的任意值的输出光谱。减少的磁盘需求和计算费用允许结果作为基于客户端的JavaScript应用程序。在本文中，我们提出的方法产生网格的光谱，拟合这些网格与NMF，双线性插值拟合系数，最后提供的预测和插值误差的估计。
2020-12-16 astro-ph.GA astro-ph.IM
The SEGUE Stellar Parameter Pipeline. V. Estimation of Alpha-Element Abundance Ratios From Low-Resolution SDSS/SEGUE Stellar Spectra
我们提出了一种从低分辨率（R = 2000）SDSS/SEGUE恒星光谱中确定α/Fe比值的方法。通过逐星比较，与来自WEDDIE光谱库的退化光谱和一组中等高分辨率的（R = 15，000）和中等分辨率（R = 6000）光谱的SDSS/SEGUE星，我们证明，我们能够测量[α/铁]从SDSS/SEGUE光谱（S/N > 20/1），对于大气参数范围为Teff = [4500，7000] K，log g = [1.5，5.0]，[Fe/H] = [-1.4，+0.3]的恒星，精度优于0.1 dex，在范围[α/Fe] = [-0.1，+0.6]内。对于[Fe/H] <-1.4的恒星，我们的方法需要具有稍高信噪比的光谱来实现此精度（S/N > 25/1）。在所考虑的整个温度范围内，可以从我们的方法获得[alpha/Fe]的置信估计的最低金属丰度恒星是[Fe/H] ~ -2.5;初步测试表明，低至[Fe/H] ~ -3.0的金属丰度极限可能适用于较冷的恒星。作为对这种方法的进一步验证，对银河系球状星团（M15、M13和M71）和疏散星团（NGC 2420、M67和NGC 6791）的可能成员星的SEGUE光谱得到的[alpha/Fe]的加权平均值与以前研究的[alpha/Fe]值表现出很好的一致性。与NGC 6791的比较结果表明，该方法的金属丰度范围可扩展到~+0.5。
2010-10-14 astro-ph.IM
EChO spectra and stellar activity II. The case of dM stars
EChO是一项专门研究系外行星大气的任务。在提取行星信号时，必须注意宿主恒星的变化，这会引入光谱失真，可能被误认为是行星信号。磁变率是一个主要问题，特别是对M星。为此，假设恒星光球为单光斑主导模型，我们开发了一种观测-理论混合工具，从观测到的光谱中提取光斑参数。这种方法依赖于一个强大的光谱M模板库，我们使用SDSS数据库中安静的M矮星的观测光谱获得。我们的程序允许校正所观察到的光谱的光球活动在大多数分析的情况下，减少光谱失真的噪声水平。不断完善的模板库和算法将提高我们的算法的效率。
2014-01-27 astro-ph.EP astro-ph.IM
