IVOA Recommendation: Vocabularies in the Virtual Observatory Version 1.19
本文档基于W3C的资源描述框架（RDF）和简单知识组织系统（SKOS）指定了词汇表的标准格式。通过采用标准和简单的格式，IVOA将允许不同的团体创建和维护自己的专业词汇表，同时让天文学界的其他人访问、使用和组合它们。使用当前的开放标准可以确保VO应用程序能够利用不断增长的语义Web资源。该文件提供了几个有用的天文词汇的例子。
2011-10-03 astro-ph.IM
Radio Galaxy Zoo: Unsupervised Clustering of Convolutionally Auto-encoded Radio-astronomical Images
Western Sydney University（西悉尼大学）；CSIRO Astronomy and Space Science（CSIRO天文与空间科学部）；The Australian National University（澳大利亚国立大学）；Data61, CSIRO（CSIRO Data61）；Universidad de Guanajuato（瓜纳华托大学）；University of Oxford（牛津大学）；University of Minnesota（明尼苏达大学）
本文提出了一种新的和有效的无监督聚类方法与自组织映射（SOM）和卷积自动编码器相结合。射电天文数据量的快速增长增加了对机器学习方法作为分类和异常值检测解决方案的需求。重大的天文发现是计划外的，并且是在意想不到的情况下发现的，这使得无监督机器学习非常可取，因为它在没有假设和标记训练数据的情况下运行。我们的方法表明SOM训练时间大大减少，并且可以通过自动编码的特征向量而不是原始图像进行训练来聚类高级特征。我们的研究结果表明，该方法是能够准确地分离孤立的SOM与邻域相似性和K-均值聚类的射电天文特征的复杂性。我们提出了这种方法作为一个强大的新方法，数据探索提供了一个详细的了解的形态和关系的无线电银河动物园（RGZ）数据集图像特征，可以应用到新的无线电测量数据。
2019-06-07 astro-ph.IM cs.LG
Identifying outliers in astronomical images with unsupervised machine learning
Nanjing University of Posts and Telecommunications（南京邮电大学）；National Astronomical Observatories, Chinese Academy of Sciences（中国科学院国家天文台）；University of Chinese Academy of Sciences（中国科学院大学）
天文异常值，如不寻常的，罕见的或未知类型的天文物体或现象，不断导致发现真正的天文学知识。随着未来调查数据覆盖面的扩大和质量的提高，原则上会发现更多不可预测的离群值。然而，它是一个严峻的挑战，从巨大的数据挖掘罕见的和意想不到的目标与人类的检查，由于巨大的工作量。监督学习也不适合于此目的，因为为未预期的信号设计适当的训练集是不可行的。基于这些挑战，我们采用无监督的机器学习方法来识别星系图像数据中的异常值，以探索检测天文异常值的路径。为了比较，我们分别构造了基于k-近邻（KNN）、卷积自动编码器（CAE）+ KNN和CAE + KNN +注意力机制（attCAE KNN）的三种方法。基于在线发布的Galaxy Zoo图像数据创建测试集，以评估上述方法的性能。结果表明，attCAE KNN达到最佳召回率（78%），比经典KNN方法高53%，比CAE+KNN高22%。attCAE KNN（10分钟）的效率也优于KNN（4小时），相当于CAE+KNN（10分钟）完成相同的任务。因此，我们相信，这是可行的，以无监督的方式检测星系图像数据中的天文异常值。接下来，我们将对可用的调查数据集应用attCAE KNN，以评估其适用性和可靠性。
2022-05-19 astro-ph.IM cs.CV
(Un)conscious Bias in the Astronomical Profession: Universal Recommendations to improve Fairness, Inclusiveness, and Representation
（无意识的）偏见影响着天文专业的各个方面，从科学活动（例如，邀请参加合作、提案选择、赠款分配、出版物审查过程以及邀请参加会议并在会议上发言）到与职业发展更严格相关的活动（例如，推荐信、奖学金、聘用、晋升和任期）。对许多人来说，（不）有意识的偏见仍然是实现卓越的主要障碍，因为最多样化的人才比他们更有特权的同事遇到更大的挑战和困难，以达到相同的里程碑。在过去几年中，空间望远镜科学研究所（STScI）开发了一些工具，以提高对（无）意识偏见的认识，并制定了准则和目标，以增加其科学活动中的多样性代表性和成果，包括与职业有关的事项和STScI赞助的研究金、会议、讲习班和座谈会。STScI还通过匿名提交和评估哈勃太空望远镜（很快将成为詹姆斯韦伯太空望远镜）观测建议来解决同行评审过程中的（无）意识偏见。在本白皮书中，我们提出了一项计划，以标准化这些方法，并期望这些普遍的建议将真正增加多样性，包容性和公平性，如果在天文学界的所有科学活动中始终如一地应用。
2020-06-15 astro-ph.EP astro-ph.IM
Effectively using unsupervised machine learning in next generation astronomical surveys
近年来，许多研究表明，无监督机器学习（ML）可以帮助检测不寻常的物体并揭示大型天文数据集中的趋势，但仍然存在一些挑战。例如，我们在这里表明，不同的方法，甚至是同一方法的微小变化，都可能产生显著不同的结果。虽然直觉上有些令人惊讶，但当将无监督ML应用于高维数据时，这可能会自然发生，其中对于同一个问题可能有许多合理但不同的答案。在这种情况下，任何一种无监督ML方法的结果都应该被认为是来自各种可能性的样本。因此，我们建议一种方法，避免找到一个最佳的结果，而是促进生产和检查许多有效的。这可以通过将无监督ML纳入数据可视化门户来实现。我们在这里提出这样一个门户网站，我们正在开发，适用于样本的SDSS光谱的星系。该门户的主要特点是数据的交互式二维地图。通过对数据的不同子空间应用降维来构建不同的映射，使得每个映射包含不同的信息，从而提供对数据的不同视角。交互式地图使用起来很直观，我们演示了如何通过点击几个按钮来检测特殊的对象和趋势。我们相信，在下一代天文学调查中包括这种精神的工具对于专业天文学家或公民科学家做出意想不到的发现将是重要的，并且即使在处理非常复杂和广泛的数据集时，也通常能够实现目视检查的好处。我们的门户网站是在网上galaxyportal.space。
2019-11-15 astro-ph.GA astro-ph.IM
Best Practices for Data Publication in the Astronomical Literature
我们提出了在天文学和天体物理学期刊上发表数据的最佳实践的概述。这些建议旨在为作者提供参考，以帮助以更好地代表和支持科学结果的方式准备和发布数据，实现更好的数据共享，提高重现性，并增强数据的可重用性。遵守这些准则还将有助于简化从天体物理学文献中提取、保存、整合宝贵数据并将其交叉链接到主要天文学数据库的工作，从而促进新的科学发现模式，更好地利用与文献相关的大量全色和多维数据。我们鼓励作者、期刊编辑、裁判和出版商实施本文审查的最佳实践，以及国际天文学组织（例如国际天文学联合会（IAU））关于术语、数据和元数据出版的相关建议。一个方便的清单，建议出版的文献中的数据包括作者咨询之前提交的最终版本的期刊文章和相关的数据文件。我们建议天文学和天体物理学期刊的出版商在其作者说明中加入本文件的链接。
2022-04-16 astro-ph.IM
Women in Astronomy Workshop Report
在此，我们报告2011年5月13日在澳大利亚悉尼举行的妇女参与天文学讲习班（http：//asawomeninastronomy.org/meetings/wia2011/）。该讲习班由澳大利亚天文学会关于妇女参与天文学的分会组织，讨论妇女在天文学中面临的一些问题，并提出建议，以帮助支持妇女在澳大利亚天文学中取得成功，但得出了对整个天文学界有价值的更广泛的结论。研讨会由四个部分组成，邀请演讲者就人口统计学，领导力，不同的职业道路以及机构和个人如何提供帮助进行演讲。研讨会结束时，一个讨论小组总结了当天的辩论，并在本报告中为澳大利亚天文学界（个人和机构）提出了一系列建议。
2011-06-30 astro-ph.IM
AstroVaDEr: Astronomical Variational Deep Embedder for Unsupervised Morphological Classification of Galaxies and Synthetic Image Generation
我们提出了AstroVaDEr，变分自动编码器，旨在执行无监督聚类和合成图像生成使用天文成像目录。该模型是一个卷积神经网络，它学习将图像嵌入到低维潜在空间中，同时优化嵌入向量上的高斯混合模型（GMM）以聚类训练数据。通过利用变分推理，我们能够使用学习的GMM作为潜在空间的统计先验，以促进随机采样和合成图像的生成。我们展示了AstroVaDEr的能力，通过训练它的灰度\textit{gri}图像从斯隆数字巡天，使用的样本是由银河动物园2分类的星系。一个无监督的聚类模型，发现分离星系的基础上学习的形态特征，如轴比，表面亮度分布，方向和同伴的存在。我们使用学习的混合模型来生成基于高斯分量的形态轮廓的星系的合成图像。AstroVaDEr成功地从未标记的数据中产生了一个形态分类方案，但出乎意料地高度重视同伴物体的存在-证明了人类解释的重要性。该网络具有可扩展性和灵活性，允许对更大的数据集或不同类型的成像数据进行分类。我们还展示了该模型的生成特性，它允许从学习的分类方案中采样真实的星系合成图像。这些可用于创建合成图像目录或执行图像处理任务，例如去混合。
2020-11-20 astro-ph.GA astro-ph.IM
(Un)conscious Bias in the Astronomical Profession: Universal Recommendations to improve Fairness, Inclusiveness, and Representation
（无意识的）偏见影响着天文专业的各个方面，从科学活动（例如，邀请参加合作、提案选择、赠款分配、出版物审查过程以及邀请参加会议并在会议上发言）到与职业发展更严格相关的活动（例如，推荐信、奖学金、聘用、晋升和任期）。对许多人来说，（不）有意识的偏见仍然是实现卓越的主要障碍，因为最多样化的人才比他们更有特权的同事遇到更大的挑战和困难，以达到相同的里程碑。在过去几年中，空间望远镜科学研究所（STScI）开发了一些工具，以提高对（无）意识偏见的认识，并制定了准则和目标，以增加其科学活动中的多样性代表性和成果，包括与职业有关的事项和STScI赞助的研究金、会议、讲习班和座谈会。STScI还通过匿名提交和评估哈勃太空望远镜（很快将成为詹姆斯韦伯太空望远镜）观测建议来解决同行评审过程中的（无）意识偏见。在本白皮书中，我们提出了一项计划，以标准化这些方法，并期望这些普遍的建议将真正增加多样性，包容性和公平性，如果在天文学界的所有科学活动中始终如一地应用。
2019-07-10 astro-ph.CO astro-ph.EP astro-ph.GA
Interoperable geographically distributed astronomical infrastructures: technical solutions
新一代观测工具产生的天文数据越来越多，这就需要分发数据，并使计算接近数据。为了满足这一需求，我们建立了一个联合数据和计算基础设施，包括一个国际云设施，EGI联合，以及一组实现IVOA标准和认证，数据共享和资源访问建议的服务。在本文中，我们描述了所面临的技术问题，具体来说，我们展示了设计，技术和建筑的解决方案。我们描述了我们的技术整体解决方案，使数据接近计算资源。除了所采用的解决方案之外，我们还提出了一些关于认证和授权机制的公开讨论。
2017-12-07 astro-ph.IM
Enabling Unsupervised Discovery in Astronomical Images through Self-Supervised Representations
本文利用自监督学习（BYOL）从星系图像中自动提取特征，结合聚类和异常检测实现无监督发现，验证了该方法在光学和射电数据中的有效性，为未来大型巡天数据探索铺路。
2024-04-19 astro-ph.GA astro-ph.IM
Building a VO-compliant Radio Astronomical DAta Model for Single-dish radio telescopes (RADAMS)
虚拟天文台（VO）正在成为天文数据发布的事实标准。然而，射电天文学档案的数量总体上仍然很低，通过VO提供的射电天文学数据的数量甚至更低。为了促进新的射电天文档案的建设，同时缓解他们与VO框架的互操作性，我们已经开发了一个VO兼容的数据模型，提供了互操作的数据语义的无线电数据。我们称之为单碟射电天文数据模型（RADAMS）的模型是使用国际虚拟天文台联盟（IVOA）的标准（和建议）建立的。本文描述了RADAMS及其组件，包括归档实体及其与VO元数据的关系。我们表明，通过使用IVOA的原则和概念，所需的努力，为发展的档案和他们的VO兼容性已降低，和两个射电天文档案的联合发展已经成为可能。我们计划调整RADAMS，以便在未来能够处理干涉测量数据。
2012-05-11 astro-ph.IM
IVOA Recommendation: Simple Image Access Specification Version 1.0
该规范定义了一个协议，用于通过统一的接口从各种天文图像库中检索图像数据。该接口的目的是让服务提供者实现起来相当简单。定义天空上的矩形区域的查询用于查询候选图像。该服务返回格式化为VOTable的候选图像列表。对于每个候选图像，可以使用访问参考URL来检索图像。图像可以以各种格式返回，包括FITS和各种图形格式。参考图像通常在运行中计算，例如，从大图中剪下来的
2011-10-03 astro-ph.IM
Recommended Actions for the American Astronomical Society: CSWA's Perspective on Steps for a more Inclusive Astronomy -- II. Recommendations
本文为AAS提出26项具体建议，旨在通过改进反骚扰政策、促进职业发展和提升会议包容性，打造更多元化的天文学会。
2025-02-15 astro-ph.IM physics.soc-ph
IVOA Recommendation: An IVOA Standard for Unified Content Descriptors Version 1.1
本文档描述了当前对用于描述天文数据量的IVOA受控词汇表的理解，称为统一内容描述符（UCD）。本文档定义了改进第一代UCD（以下简称UCD 1）的新标准（命名为UCD 1+）。其基本思想是采用一种新的语法和词汇，人们只需花费很少的精力就可以适应已经使用UCD1的软件。本文件还讨论了UCD 1+的维护和演变问题。还描述了VO中的用例示例和使用UCD1+的工具。
2011-10-03 astro-ph.IM
PI-AstroDeconv: A Physics-Informed Unsupervised Learning Method for Astronomical Image Deconvolution
Research Center for Astronomical Computing（天文计算研究中心）；Zhejiang Laboratory（浙江实验室）
本文提出 PI-AstroDeconv，一种融合望远镜 PSF 物理先验的无监督编码器-解码器架构，利用 FFT 卷积高效处理高分辨率天文图像，并比较 AE 与 U-Net 等回归网络。
2024-03-04 astro-ph.GA astro-ph.IM cs.CV
Comparison of outlier detection methods on astronomical image data
在新一代天文仪器产生的巨大数据量所带来的许多挑战中，还有寻找稀有和特殊物体的挑战。无监督离群值检测算法可以提供可行的解决方案。在这项工作中，我们比较了六种方法的性能：局部离群值因子，隔离森林，k-means聚类，新颖性度量，以及正常和卷积自动编码器。这些方法适用于从SDSS条纹82中提取的数据。在讨论了每种方法对自己的超参数集的敏感性之后，我们将每种方法的结果结合起来对对象进行排名，并生成最终的离群值列表。
2020-06-15 astro-ph.IM
Morphological Image Similarity Search on the ALMA Science Archive Query Interface Using Deep Unsupervised Contrastive Representation Learning
本研究首次在ALMA科学档案中实现基于深度无监督对比学习的形态图像相似性搜索，通过自监督学习提升天文图像检索效率。
2025-11-21 astro-ph.IM
Recommended Actions for the American Astronomical Society: CSWA's Perspective on Steps for a more Inclusive Astronomy -- I. Background and Methods
本文基于CSWA调查和Astro2020白皮书，为AAS提出26项具体行动建议，旨在减少骚扰、促进女性及边缘化群体天文学家职业发展，并改善会议氛围与文化。
2025-02-15 astro-ph.IM physics.soc-ph
Unsupervised self-organised mapping: a versatile empirical tool for object selection, classification and redshift estimation in large surveys
我们提出了一种无监督机器学习的应用程序-自组织地图（SOM）-作为可视化，探索和挖掘大型天文调查目录的工具。自组织最终在一个低分辨率表示的“拓扑结构”的参数量，这可以利用各种方式有关的天文学。使用来自宇宙演化巡天（COSMOS）的数据，我们展示了SOM的两个关键天文应用：（i）对象分类和选择，使用具有活动星系核的星系作为示范，以及（ii）光度红移估计，说明SOM如何可以用作完全经验的预测工具。使用z_spec<1的~3800个星系的训练集，我们实现了与其他（主要是模板拟合）技术竞争的光度红移精度，这些技术使用类似数量的光度带（当使用u* 波段到8 um光度测量时，sigma（Dz）=0.03，离群值率为~2%）。我们还使用Hildebrandt等人（2010）的PHoto-z精度测试（PHAT）合成目录将SOM作为photo-z工具进行测试，该目录使用共同的输入/训练集比较了几种不同的photo-z代码。我们发现，SOM可以提供的准确性，有竞争力的许多既定的模板拟合和经验的方法。这种技术不是没有明确的限制，这是讨论，但我们认为它可能是一个强大的工具，在非常大的时代-“PB”-数据库，高效的数据挖掘是一个首要问题。
2011-09-30 astro-ph.IM
Pipeline Collector: gathering performance data for distributed astronomical pipelines
现代天文数据处理需要复杂的软件管道来处理不断增长的数据集。对于射电天文学，这些管道已经变得如此之大，以至于它们需要分布在计算集群中。这使得很难监控每个流水线步骤的性能。为了深入了解每个步骤的性能，需要将性能监视实用程序与管道执行集成。在这项工作中，我们已经开发了这样一个实用程序，并将其与校准管道的低频阵列，LOFAR，领先的射电望远镜。我们通过在几个不同的计算平台上运行管道来测试该工具，并收集性能数据。基于这些数据，我们对未来的硬件和软件升级提出了明智的建议。这些升级的目的是加快LOFAR管道最慢的处理步骤。管道收集器套件是开源的，将被纳入未来的LOFAR管道中，为所有LOFAR处理创建性能数据库。
2018-07-16 astro-ph.IM
Latent Space Explorer: Unsupervised Data Pattern Discovery on the Cloud
从原始数据中提取信息可能是实验科学企业的核心活动之一。这项工作是关于一个管道，其中一个特定的模型被训练，以提供一个紧凑的，基本的表示训练数据，作为一个起点，可视化和分析，旨在检测模式，数据之间的重叠。为了使研究人员能够利用这种方法，正在NEANIAS项目中开发和测试一个基于云的系统，作为向EOSC提供的专题服务的ML工具之一。在这里，我们描述了该系统的架构，并介绍了两个例子中的天文背景下的用例。
2022-04-29 astro-ph.IM
X-ray Study of Spatial Structures in Tycho's Supernova Remnant Using Unsupervised Deep Learning
深度学习算法最近的快速发展，可以隐式地捕获高维数据中的结构，为天文数据分析打开了新的篇章。我们在这里报告了一种用于X射线分析的深度学习技术的新实现。我们应用变分自动编码器（VAE），使用深度神经网络对钱德拉X射线天文台从第谷超新星遗迹（SNR）获得的数据进行空间光谱分析。我们建立了一个无监督的学习方法相结合的VAE和高斯混合模型（GMM），其中观察到的光谱数据的维数减少的VAE，并在特征空间中的聚类是由GMM执行。我们发现，一些特征的空间结构，如东部边缘的铁结，可以自动识别这种方法，它只使用光谱特性。这一结果表明，无监督机器学习可以用于从观测数据中的光谱信息中提取特征空间结构（无需详细的光谱分析），这将减少用于理解漫射天文物体中精细结构的人力密集型预处理成本，例如，或者星系团。这种数据驱动的分析可用于选择从中提取光谱进行详细分析的区域，并帮助我们充分利用当前可用的大量光谱数据以及未来几十年的光谱数据。
2019-07-22 astro-ph.HE astro-ph.IM
Low Dimensional Embedding of Climate Data for Radio Astronomical Site Testing in the Colombian Andes
我们着手评估哥伦比亚安第斯山脉进行毫米波天文观测的潜力。以前在该地区进行的天文站点测试研究表明，夜间湿度和云层覆盖条件使大多数站点不适合专业的可见光观测。毫米观测可以在白天进行，但需要的可降水水汽柱以上的网站保持低于$\sim$ 10毫米。由于缺乏直接的辐射或无线电探空测量，我们提出了一种方法，从气象站的气候数据相关的网站与低可降水水汽柱。我们使用无监督学习技术来低维嵌入气候数据（降水量，下雨天，相对湿度和日照时间），以便将具有相似长期气候行为的站点分组在一起。这些数据是由哥伦比亚境内的2046个气象站在30年内收集的。我们发现6个地区异常干燥，晴朗的天空条件，海拔从2200到3800 masl不等。我们评估每个地区的适用性，使用来自贝叶斯概率分析的站类型和海拔分布的质量指数。其中两个地区显示出极有可能具有异常低的可降水水汽柱。我们将我们的结果与全球可降水量图进行了比较，并发现了一个合理的地理相关性与低水汽柱（$\sim10$ mm）的地区在$\sim20$ km的精度。我们的方法可以应用于类似的数据集在其他国家作为天文网站评估的第一步。
2017-09-15 astro-ph.IM
Unsupervised Learning of Structure in Spectroscopic Cubes
我们考虑使用无监督机器学习技术分析光谱立方体的结构的问题。我们建议通过迭代算法将目标的信号表示为一组均匀的体积，该算法将结构化发射与背景分离，同时不高估通量。除了验证一些基本的理论性质，该算法的设计是由领域专家调整，因为它的参数在天文背景下有意义的值。然而，我们提出了一个启发式自动估计的信噪比参数的算法直接从数据。由此产生的轻量样本集（与原始数据相比，$\leq 1\%$）提供了几个优点。例如，应用模式识别和机器学习领域的成熟技术，如聚类和降维算法，在统计上是正确的，在计算上是便宜的。我们使用ALMA科学验证数据来验证我们的方法，并提出了可以通过使用所提出的表示执行的操作的例子。尽管这种方法的重点是为最终用户天文学家提供更快，更好的分析工具，但它也通过将我们的算法应用于大数据，打开了内容感知数据发现的可能性。
2018-06-14 astro-ph.IM
IVOA Recommendation: Simple Line Access Protocol Version 1.0
简单谱线访问协议（Simple Line Access Protocol，简称SIOP）是一种IVOA数据访问协议，它定义了一种协议，用于通过VO框架内的统一接口检索来自各种谱线数据采集的谱线。这些谱线可以是观测到的，也可以是理论上的，通常用于识别天文光谱中的发射或吸收特征。它利用简单谱线数据模型（SSLDM [1]）通过使用uType [14]来表征谱线。单位的物理量通过使用标准单位DM [15]来描述。可以使用VOResource [12]扩展标准在IVOA资源注册表中注册Sourcing服务，在注册表中具有唯一的ResourceIdentifier [13]。服务提供者可以相当简单地实现Sunday接口。对于不同的服务，将在波长范围内完成基本查询。该服务返回格式化为VOTable的谱线列表。因此，服务的实现可以支持附加的搜索参数（其中一些可以是针对该特定服务定制的）以更精细地控制谱线的选择。该规范还描述了如何利用简单谱线数据模型（SSLDM [1]）提供的支持来搜索额外参数
2011-10-03 astro-ph.IM
AstroSURE: Learning to Remove Noise from Astronomical Images Without Ground Truth Data
National Research Council Herzberg Astronomy an Astrophysics Research Centre, 5071 West Saanich Road, Victoria, BC V9E 2E7, Canada（国家研究委员会赫兹伯格天文学与天体物理学研究中心，5071号西萨安奇路，维多利亚，BC V9E 2E7，加拿大）；Department of Computer Science, , University of British Columbia, Vancouver, BC, V6T 1Z4, Canada（计算机科学系，不列颠哥伦比亚大学，温哥华，BC，V6T 1Z4，加拿大）
本文评估了无需干净地面真实图像训练的深度学习去噪方法，通过合成数据和哈勃空间望远镜及加拿大-法国-夏威夷望远镜的实测数据，验证了这些方法在天体数据分析中的有效性，结果显示在哈勃数据上通过领域一致初始化后，方法在弱源检测上有显著提升。
2026-04-18 astro-ph.IM cs.CV
IVOA HiPS Implementation in the Framework of WorldWide Telescope
WorldWideTelescope（WWT）是一个科学可视化平台，可以在三维虚拟场景中浏览来自不同观测设施的深空图像、星表和行星遥感数据。WWT最初由微软研究院推出，然后开源，现在由美国天文学会（AAS）管理。HiPS（Hierarchical Progressive Survey）是法国斯特拉斯堡天文数据中心（CDS）提出的一种天文数据发布方案，已被国际虚拟天文台联盟（IVOA）采纳为推荐方案。HiPS解决方案已被许多天文机构广泛采用用于数据发布。由于WWT在开发初期选择了层次三角网格（HTM）作为数据可视化的标准，使得HiPS发布的数据无法在WWT中可视化，这极大地限制了WWT的应用。介绍了WWT中HiPS数据可视化的实现方法，并介绍了WWT中HiPS数据投影、网格绘制和数据索引的实现。以嫦娥二号月球探测器数据为例，介绍了如何将行星遥感数据转换为HiPS数据集并集成到WWT中。比较了WWT加载本地数据和HiPS数据的效率和内存消耗，并举例说明了HiPS在WWT科学数据可视化和科学教育中的应用。
2020-03-04 astro-ph.IM
Wavelet-based decomposition and analysis of structural patterns in astronomical images
上下文空间分辨天体图像包含丰富的形态和动力学信息，有效提取这些信息对于理解这些天体的物理和演化至关重要。目前用于此目的的算法和方法（例如，高斯模型拟合）通常使用简化的方法来描述解析对象的结构。目的。为此目的，需要用于结构分解和结构模式跟踪的自动（无监督）方法，以便能够处理所涉及的结构的复杂性和大量数据。方法.提出了一种新的基于小波变换的图像分割与评价（WISE）方法，用于天文图像结构模式的多尺度分解、分割和跟踪。结果该方法进行了测试，对模拟图像的相对论喷流和应用于数据长期监测的秒差距尺度的无线电喷流在3C 273和3C 120。在其粗分辨率工作，WISE再现非常好的模型拟合这些喷流的结构和运动学的评价以前的结果。扩展的WISE结构分析，以更精细的尺度提供了第一个强大的测量在这些射流的二维速度场，并表明速度场很可能反映发展流动的Kelvin-Hemlholtz不稳定性的演变。
2015-05-26 astro-ph.HE astro-ph.IM
Astronomaly: Personalised Active Anomaly Detection in Astronomical Data
调查望远镜，如维拉C。鲁宾天文台和平方公里阵列将发现数十亿个静态和动态天文源。如果得到适当的挖掘，这些庞大的数据集可能会成为罕见或未知天体物理现象的源泉。面临的挑战是，数据集如此之大，以至于大多数数据永远不会被人眼看到;目前我们拥有的最强大的工具来检测相关异常。机器学习是一个有用的工具，在这种制度的异常检测。然而，它很难区分有趣的异常和不相关的数据，如仪器文物或稀有的天文来源，只是不感兴趣的特定科学家。主动学习将人类大脑的灵活性和直觉与机器学习的原始处理能力相结合。通过战略性地选择特定对象进行专家标签，它最大限度地减少了科学家必须查看的数据量，同时最大限度地提高了潜在的科学回报。在这里，我们介绍Astronomaly：一个通用的异常检测框架，采用一种新的主动学习方法，旨在提供个性化的建议。Astronomaly可以处理大多数类型的天文数据，包括图像、光变曲线和光谱。我们使用Galaxy Zoo数据集来证明Astronomaly的有效性，以及模拟数据来彻底测试我们新的主动学习方法。我们发现，对于这两个数据集，Astronomaly在用户查看的前100个对象中发现的有趣异常数量大约增加了一倍。Astronomaly很容易扩展，包括新的特征提取技术，异常检测算法，甚至不同的主动学习方法。该代码可在https://github.com/MichelleLochner/astronomaly…
2021-10-06 astro-ph.GA astro-ph.IM
Benchmarking Dimensionality Reduction Methods for High-Dimensional ALMA Image Cubes
University of Virginia（弗吉尼亚大学）；NVIDIA Corporation（英伟达公司）
本研究评估了高维ALMA图像立方体中不同维度约简方法的性能，分析了计算成本、图像重建准确性和可扩展性之间的权衡，并探讨了这些方法在数据处理和存档分析中的应用前景。
2025-12-17 astro-ph.IM
Astrolabe: Curating, Linking and Computing Astronomy's Dark Data
如果没有适当的储存库来支持所有相关的天文数据产品，数据可能会陷入黑暗：看不见，无法用于未来的参考和再利用。这个类别中的一些数据是遗留或旧数据，但较新的数据集通常也是未经管理的，可能仍然是“黑暗”的。本文描述了Astrolabe的设计动机和开发，Astrolabe是一个网络基础设施项目，它提出了一系列社区建议，用于定位和确保长期管理黑暗或其他风险数据和集成计算。本文还介绍了一系列的社区讲习班，告知创建星盘的成果。据这些讲习班的参与者说，目前存在许多天文学暗数据，这些数据在其他地方没有得到管理，还有一些软件只能由少数人执行，因此由于计算平台的变化而变得无法使用。天文学研究问题和挑战将通过不属于现有观测站和空间飞行任务项目范围的综合数据和计算资源得到更好的解决。作为一种解决办法，等高仪系统的设计旨在开发管理天文数据的新资源。该项目基于CyVerse网络基础设施技术，是亚利桑那大学和美国天文学会之间的合作。总体而言，该项目旨在通过利用现有的网络基础设施资源来支持开放获取研究数据，并通过向天文学界广泛提供可计算格式的潜在有用数据来促进科学发现。
2018-02-26 astro-ph.IM cs.DL
Machine Learning in Astronomy: a practical overview
天文学正在经历数据规模和复杂性的快速增长。这种变化促进了数据驱动科学的发展，使其成为常见模型驱动数据分析范式的有用伙伴，天文学家开发自动工具来挖掘数据集并从中提取新信息。近年来，机器学习算法在天文学家中越来越受欢迎，现在被用于各种各样的任务。鉴于这些发展，以及与之相关的承诺和挑战，IAC冬季学校2018年专注于天文学中的大数据，特别强调机器学习和深度学习技术。本文档总结了在学校期间提出的监督和无监督学习算法的主题，并提供了将这些工具应用于天文数据集的实用信息。在本文档中，我将介绍监督机器学习的基本主题，包括输入数据集的选择和预处理、评估方法以及三种流行的监督学习算法：支持向量机、随机森林和浅层人工神经网络。我的主要重点是无监督机器学习算法，用于执行聚类分析，降维，可视化和离群值检测。无监督学习算法对科学研究特别重要，因为它们可以用于从现有数据集中提取新知识，并可以促进新发现。
2019-04-15 astro-ph.IM
ATCAT: Astronomical Timeseries CAusal Transformer
本文提出基于小型transformer的天文光变曲线分类模型ATCAT，在ELAsTiCC数据集上以仅10%标注数据实现优于现有方法的F1分数，推理速度提升9倍，适用于大规模暂现源实时分类。
2025-11-01 astro-ph.IM
Computational Intelligence Challenges and Applications on Large-Scale Astronomical Time Series Databases
Millennium Institute of Astrophysics（千禧天体物理研究所）；Universidad de Chile（智利大学）；Harvard University（哈佛大学）；University of Florida（佛罗里达大学）；Universidad de los Andes（智利洛斯安第斯大学）
由于新的天文巡天观测的样本量、数据复杂度和数据生成率呈指数增长，时域天文学（TDA）正面临着范式的转变。例如，将于2022年在智利北部开始运行的大型综合巡天望远镜（LSST）将生成近150 PB的南半球天空成像数据集。LSST将以每小时2 TB的速率传输数据，有效地捕捉到前所未有的天空电影。LSST不仅有望提高我们对时变天体的理解，还有望揭示大量未知的微弱和快速变化的现象。为了应对数据驱动天文学范式的变化，最近创建了天体信息学和天体统计学领域。新的面向数据的天文学范例结合了统计、数据挖掘、知识发现、机器学习和计算智能，以便提供快速探测和分类已知天体物理物体以及无监督地描述新现象所需的自动化和稳健方法。在这篇文章中，我们概述了机器学习和计算智能在TDA中的应用。从计算智能/机器学习的角度，确定并讨论了TDA未来大数据挑战和新的研究方向，重点是LSST。需要跨学科合作来应对来自LSST的大量天文数据所带来的挑战。
2015-09-25 astro-ph.IM cs.LG
Astronomia ex machina: a history, primer, and outlook on neural networks in astronomy
University of Hertfordshire（赫特福德大学）
本文回顾了神经网络在天文学中从多层感知器到生成式深度学习的三次发展浪潮，并展望第四次浪潮，主张天文学界协作开发开源、经天文应用微调的类GPT基础模型，以充分利用海量多模态天文数据推动前沿研究。
2023-05-12 astro-ph.IM cs.LG
Statistical Methods for Astronomy
本文概述了数理统计的概念，概率论的元素，假设检验和点估计用于分析现代天文数据。最小二乘，极大似然，和贝叶斯方法统计推断处理。当统计量的分布函数未知时，恢复方法，特别是自举法，提供了有价值的程序。考虑了模型选择和拟合优度的几种方法。简要讨论了与天文学研究有关的应用统计学：在对天文学总体或过程的行为知之甚少时使用的非参数方法;用核密度估计和非参数回归进行数据平滑;多变量问题的无监督聚类和监督分类程序;光变曲线的时域和频域时间序列分析;以及空间统计，用于解释低维点的空间分布。介绍了两种类型的资源：统计学各个领域的约40种推荐文本和专著，以及用于统计分析的公共领域R软件系统。再加上它的\sim 3500（和不断增长的）附加CRAN包，R实现了一个连贯的高级语言与先进的图形统计过程的广泛。
2012-05-09 astro-ph.IM stat.AP
UltraPINK -- New possibilities to explore Self-Organizing Kohonen Maps
UltraPINK是一个用于训练、检查和探索自组织Kohonen映射的工具，通过抽象设计兼容多源天文数据，旨在为天文学数据分析构建坚实基础。
2024-06-06 astro-ph.IM cs.HC
Multiscale entropy analysis of astronomical time series. Discovering subclusters of hybrid pulsators
多尺度熵评估信号在不同时间尺度上的复杂性。它起源于生物医学领域，最近被成功地用于表征光变曲线，作为监督机器学习框架的一部分，对恒星变化进行分类。我们详细探讨了多尺度熵的行为，通过研究其在恒星变率背景下的算法特性，并将其与传统的天文时间序列分析方法联系起来。随后，我们使用多尺度熵的基础上，一个可解释的聚类框架，可以区分的混合动力发电机与p-和g-模式的恒星只有p-模式脉动，如$δ$ Sct星，或从只有g-模式脉动的恒星，如$γ$ Dor星。我们发现，多尺度熵是一个强大的工具，捕捉恒星光变曲线的变化模式。多尺度熵提供了对恒星脉动结构的深入了解，并揭示了短期和长期变化如何仅基于时域信息相互作用。我们还表明，多尺度熵的恒星信号的频率内容，特别是近核心的旋转速率的g-模式embritators。我们发现，我们的新的聚类框架，可以成功地识别出混合动力的p-and-g-模式的集合中的$δ$ Sct和$γ$ Dor星，分别。我们的聚类框架的好处是它是无监督的。因此，它不需要先前标记的数据，因此不会受到先前知识的影响。
2022-06-27 astro-ph.IM astro-ph.SR
Unveiling Galaxy Morphology through an Unsupervised-Supervised Hybrid Approach
本文提出一种融合无监督聚类与监督卷积神经网络的星系形态分类方法，并引入EGG形态指标，在SDSS数据上实现95%无监督分类准确率。
2024-01-17 astro-ph.GA astro-ph.IM
Active learning with RESSPECT: Resource allocation for extragalactic astronomical transients
Department of Computer Science University of California Irvine（加利福尼亚大学尔湾分校计算机科学系）；Université Clermont Auvergne CNRS/IN2P3, LPC Clermont Ferrand（克莱蒙费朗大学（Université Clermont Auvergne）、法国国家科学研究中心/法国国家核物理与粒子物理研究所（CNRS/IN2P3）、克莱蒙费朗物理实验室（LPC Clermont Ferrand））；CENTRA-Centro de Astrofísica e Gravitação Universidade de Lisboa（里斯本大学（Universidade de Lisboa）中心天体物理与引力中心（CENTRA-Centro de Astrofísica e Gravitação））；Shanghai Astronomical Observatory Chinese Academy of Sciences（中国科学院上海天文台）；Berkeley Center for Cosmological Physics University of California Berkeley（加利福尼亚大学伯克利分校宇宙物理伯克利中心）；Department of Computer Science University of Houston（休斯顿大学计算机科学系）；Department of Physics and Astronomy The Johns Hopkins University（约翰斯·霍普金斯大学物理与天文系）；Department of Informatics University of California Irvine（加利福尼亚大学尔湾分校信息学系）；NSF’s NOIRLab（美国国家科学基金会国家光学红外天文学研究实验室（NOIRLab））；Gemini Observatory（双子座天文台）
最近可用天文数据的数量和复杂性的增加导致了监督机器学习技术的广泛使用。主动学习策略已被提出作为一种替代方案，以优化稀缺的标签资源的分布。然而，由于标签可以获得的特定条件，基本假设，如样本的代表性和标签成本的稳定性不能满足。光谱跟踪建议系统（RESSPECT）项目旨在为鲁宾天文台遗留空间和时间调查（LSST）构建优化的训练样本，同时考虑到对天文数据环境的现实描述。在这项工作中，我们测试的鲁棒性主动学习技术在一个现实的模拟天文数据的情况下。我们的实验考虑了训练和池样本的演变，每个对象的不同成本以及两种不同的预算来源。结果表明，传统的主动学习策略显着优于随机抽样。然而，更复杂的批处理策略不能显著克服简单的不确定性抽样技术。我们的研究结果说明了三个要点：1）主动学习策略是优化天文学中标签获取任务的强大工具，2）对于即将到来的LSST等大型调查，这些技术允许我们为调查的第一天定制训练样本的构建，与天文瞬变探测相关的特殊数据环境是开发定制机器学习算法的肥沃土壤。
2020-10-26 astro-ph.IM cs.AI
Teaching a machine to see: unsupervised image segmentation and categorisation using growing neural gas and hierarchical clustering
我们提出了一种新的无监督学习方法来自动分割和标记天文调查中的图像。这一程序的自动化将是必不可少的，因为下一代调查进入PB级：数据量将超过甚至大型众包分析的能力。我们演示了如何使用生长神经气体（GNG）对成像数据的特征空间进行编码。当与称为分层聚类的技术相结合时，成像数据可以通过GNG中的组织节点自动分割和标记。无监督学习的关键区别在于，这些标签在训练之前不需要已知，而是由算法本身确定。重要的是，在训练之后，网络可以呈现它以前从未“见过”的图像，并提供一致的特征分类。作为一个概念验证，我们展示了应用程序的数据从哈勃太空望远镜前沿领域：星系团的图像包含一个混合的星系类型，很容易识别和分类的人类检查员。通过使用一个字段（Abell 2744）训练算法并将结果应用于另一个字段（MACS 0416.1 -2403），我们展示了该算法如何干净地分离人类将与早期和晚期类型星系相关联的图像特征。我们认为，该算法有潜力作为下一代成像和光谱调查的自动分析和数据挖掘的工具，也可以找到天文学以外的应用。
2015-07-06 astro-ph.CO astro-ph.IM
The Classification of Optical Galaxy Morphology Using Unsupervised Learning Techniques
University of the Western Cape（西开普大学）
近年来，大规模的数据密集型天文调查已经产生了比科学家手动分类更详细的图像。现代调查产生的大量数据很快就会超过这项工作的众包尝试。这使人们对基于人类的星系形态分类方法的可行性产生了疑问。虽然监督学习方法需要具有现有标签的数据集，但无监督学习技术不需要。因此，本文实现了无监督学习技术来分类银河动物园DECaLS数据集。训练并实现了卷积自动编码器特征提取器。然后通过k-均值，模糊c-均值和凝聚聚类的功能进行聚类。这些集群与银河动物园DECaLS项目提供的真实志愿者分类进行了比较。最好的结果，一般来说，产生的凝聚聚类方法。然而，考虑到聚类时间的增加，与k-means聚类相比，性能的提高并不显著。在经过适当的聚类算法优化后，这种方法可以证明对分类性能更好的问题是有用的，并且可以作为一种新方法的基础，从无监督技术中生成更“人性化”的星系形态分类。
2022-09-11 astro-ph.GA astro-ph.IM cs.LG
Evaluation of Provenance Serialisations for Astronomical Provenance
本文比较了天文溯源数据的 turtle 与 JSON 序列化格式在存储和查询效率上的表现，发现 turtle 更适合存储和小型简单查询，而 JSON 在复杂查询上更高效。
2024-07-19 astro-ph.IM cs.DB
Unmixing methods based on nonnegativity and weakly mixed pixels for astronomical hyperspectral datasets
越来越多的天文仪器（在地球上和空间）提供高光谱图像，即具有两个空间维度和一个光谱维度的三维数据立方体。这些仪器的空间分辨率的固有限制意味着与这种图像的像素相关联的光谱通常是存在于所考虑的区域中的“纯”组分的光谱的混合物。为了估计这些纯成分的光谱和空间丰度，我们在这里提出了一个原始的盲信号分离（BSS），也就是说，一个无监督的解混方法。我们的方法是基于扩展和组合的线性BSS方法，属于两个主要类别的方法，即非负矩阵分解（NMF）和稀疏分量分析（SCA）。前者利用非负性约束将高光谱图像分解为一组纯光谱和丰度图，但估计解不是唯一的：它高度依赖于算法的初始化。所考虑的SCA方法是基于这样的假设，即存在只有一个源是活动的点或微小空间区域（即，存在一种纯组分）。在实际条件下，理想的单源点或单源区的假设并不总是现实的。在这样的条件下，SCA产生的未知源和混合系数的近似版本。我们建议使用SCA的这些初步估计的一部分来初始化NMF的几次运行，以约束NMF算法的收敛性。合成数据的详细测试表明，这种混合方法实现的分解几乎是唯一的，并提供了良好的性能，说明了应用到实际数据的潜力。
2020-11-19 astro-ph.GA astro-ph.IM
IVOA Recommendation: Simple Spectral Access Protocol Version 1.1
简单频谱访问（SSA）协议（SSAP）定义了一个统一的接口来远程发现和访问一维频谱。SSA是数据访问接口集成系列的一员，该集成系列包括IVOA的数据访问层（DAL）。SSA基于能够描述大多数表格分光光度数据的更通用的数据模型，包括时间序列和光谱能量分布（SED）以及1-D光谱;然而，本文档中指定的SSA接口的范围仅限于简单的1-D光谱，包括1-D光谱的简单聚合。SSA接口的形式很简单：客户端首先查询全局资源注册表以查找感兴趣的服务，然后向选定的服务发出数据发现查询，以确定每个服务中有哪些相关数据可用;可用的候选数据集统一描述在响应查询返回的VOTable格式文档中。最后，客户端可以检索所选择的数据集用于分析。由SSA频谱服务返回的频谱数据集可以是预先计算的归档数据集，或者它们可以是动态计算以响应客户端请求的虚拟数据。光谱数据集可以符合SSA定义的标准数据模型，或者可以是具有自定义项目定义内容的原生光谱。光谱可以以多种标准数据格式中的任何一种返回。光谱数据通常以特定于每个光谱数据收集的格式存储在VO外部;目前没有标准的方法来表示天文光谱，几乎每个项目都有不同的方法。因此，光谱可以在访问时由服务主动地介导到标准SSA定义的数据模型，使得客户端分析程序不必熟悉要访问的每个数据集合的特殊细节。
2012-03-26 astro-ph.IM
Systematic Serendipity: A Test of Unsupervised Machine Learning as a Method for Anomaly Detection
天文学的进步往往是由偶然的发现推动的。随着巡天天文学的不断发展，天文数据库的规模和复杂性将增加，天文学家手动搜索数据并进行此类发现的能力将下降。在这项工作中，我们引入了一种基于机器学习的方法来识别大型数据集中的异常，以促进此类发现，并将这种方法应用于NASA开普勒任务的长节奏光曲线。我们的方法基于密度对数据进行聚类，将异常识别为位于密集区域之外的数据。这项工作作为一个概念验证的案例研究，我们测试我们的方法的四个季度的开普勒长节奏光变曲线。我们使用开普勒的最臭名昭著的异常，Boyajian的明星（KIC 8462852），作为一个罕见的“地面真相”测试离群识别，以验证真正的科学兴趣的对象包括在所确定的异常。我们评估该方法的能力，以确定已知的异常，通过识别不寻常的行为在Boyajian的明星，我们报告的完整列表中确定的异常，这些季度，并提出了一个样本子集的确定的离群值，包括不寻常的现象，对象是罕见的开普勒领域，和数据文物。通过将每个季度<4%的数据识别为离群数据，我们证明了这种异常检测方法可以创建一种更有针对性的方法来寻找罕见和新颖的现象。
2018-12-18 astro-ph.IM astro-ph.SR
Fast and Flexible Characterisation of Astronomical Light Curves Using Multi-Time Attention
University College London（伦敦大学学院）；European Southern Observatory（欧洲南方天文台）；Swinburne University of Technology（斯威本科技大学）
提出一种基于多时间注意力网络的无监督数据驱动框架，直接从非规则、部分光变曲线中学习时间感知的潜在表征，实现快速准确的光变曲线表征。
2026-05-22 astro-ph.GA astro-ph.IM
A Hitchhiker's Guide to Anomaly Detection with Astronomaly
下一代望远镜，如SKA和鲁宾天文台将产生巨大的数据集，需要自动异常检测，以实现科学发现。在这里，我们提出了一个概述和友好的用户指南，天文学框架的主动异常检测天文数据。Astronomaly使用主动学习将机器学习的原始处理能力与人类用户的直觉和经验相结合，从而实现对有趣异常的个性化建议。它使用Python后端来执行数据处理，特征提取和机器学习以检测异常对象;以及JavaScript前端，允许与数据进行交互，标记有趣的异常和主动学习。Astronomaly被设计成模块化的，可扩展的，几乎可以在任何类型的天文数据上运行。在本文中，我们详细介绍了Astronomaly代码的结构，并提供了基本使用指南。
2022-01-25 astro-ph.CO astro-ph.GA astro-ph.IM
Automatic identification of outliers in Hubble Space Telescope galaxy images
Kansas State University（堪萨斯州立大学）
罕见的河外天体可以携带有关过去，现在和未来宇宙的大量信息。鉴于信息时代天文学数据库的规模，可以假设现有和未来的天文学数据库中包含了非常多的离群星系。然而，由于所需的劳动力，手动搜索这些对象是不切实际的，因此检测这些对象的能力很大程度上取决于计算机算法。本文描述了一种无监督的机器学习算法，自动检测离群星系图像，并将其应用于几个哈勃空间望远镜领域。该算法不需要训练，因此不依赖于干净训练集的准备。该算法的应用，以一个大的星系收集检测到各种异常星系的图像。该算法并不完美，因为并非所有由该算法检测到的对象都被认为是离群值，但它将数据集减少了两个数量级，以允许实际的手动识别。目录中有147个物体，如果不使用自动化，很难识别。
2021-01-07 astro-ph.GA astro-ph.IM cs.LG
Hyrax: An Extensible Framework for Rapid ML Experimentation and Unsupervised Discovery in the Era of Rubin, Roman, and Euclid
Dept. of Astronomy \& the DiRAC Institute, University of Washington, Box 351580, Seattle, WA 98195, USA；School of Physics；Astronomy, University of Minnesota, Minneapolis, MN 55455, USA；Department of Astronomy；Planetary Science, Northern Arizona University, Flagstaff, USA；McWilliams Center for Cosmology；Astrophysics, Department of Physics, Carnegie Mellon University, Pittsburgh, PA 15213, USA
本文提出Hyrax，一个支持天文领域完整机器学习生命周期的开源框架，通过五个实际应用展示了其在大规模天文数据中的无监督发现和监督检测能力，为下一代天文调查提供了系统化的机器学习基础设施。
2026-05-18 astro-ph.CO astro-ph.EP astro-ph.GA
Rotation and flipping invariant self-organizing maps with astronomical images: A cookbook and application to the VLA Sky Survey QuickLook images
本研究介绍了具备旋转翻转不变性的SOM工具PINK的使用指南与Python工具包pyink，验证了其在VLASS图像中的形态聚类能力，并用于估算旁瓣污染源的概率。
2024-04-15 astro-ph.GA astro-ph.IM
Machine learning in APOGEE: Unsupervised spectral classification with $K$-means
Instituto de Astrofísica de Canarias（加那利天体物理研究所）；Universidad de La Laguna（拉古纳大学）；Instituto de Física de Cantabria (CSIC-UC)（坎塔布里亚物理研究所（西班牙国家研究委员会-坎塔布里亚大学））
天文测量产生的数据量正在迅速增长。光谱学中的传统分析技术要么需要密集的人工交互，要么计算成本很高。在这种情况下，机器学习和无监督聚类算法特别提供了有趣的替代方案。阿帕奇点天文台的星系演化实验（APOGEE）提供了大量的近红外恒星光谱数据集，非常适合测试这种替代方案。将一种基于$K$ -均值的无监督分类方法应用于海量APOGEE数据集。探索数据是否适合分类为离散类。我们将$K$ -均值算法应用于153，847个高分辨率光谱（$R\approx22,500$）。我们讨论了算法的主要优点和缺点，以及我们的参数选择。我们表明，基于归一化光谱的分类捕捉恒星大气参数，化学丰度和旋转速度等因素的变化。该算法能够分离球和晕的人口，并区分矮星，亚巨星，RC和RGB星。然而，通量空间中的离散分类不会导致参数空间中的整齐组织。此外，通量空间中缺乏明显的组会导致结果对初始化相当敏感，并且破坏了常用方法选择最佳簇数的效率。我们的分类是公开的，包括与APOGEE数据发布12（DR 12）相关的大量在线材料。我们对APOGEE数据库的描述可以极大地帮助识别各种应用的特定类型的目标。我们发现在通量空间中缺乏明显的群体，并确定$K$ -手段算法在处理这类数据的局限性。
2018-02-08 astro-ph.GA astro-ph.IM astro-ph.SR
