[发明专利]疏散星团识别模型构建方法、疏散星团的识别方法及系统

说明书

本发明公开了一种疏散星团识别模型构建方法，所述疏散星团识别模型构建方法包括步骤1、获取标记天区的区域星体结构化数据，为由该天区内区域星体组成的星团加注标签，组成区域星体结构化数据集以及星团标签集；步骤2、对所述的区域星体结构化数据集进行处理，得到Parzen窗密度图样本集；步骤3、以所述的Parzen窗密度图样本集作为输入，以所述星团标签集作为输出，对预构建的疏散星团识别模型进行训练，得到训练好的疏散星团识别模型。本发明解决了天文研究中疏散星团识别依赖人工判断自动化程度差、效率低的技术问题。本发明还公开了一种疏散星团的识别方法和系统。

技术领域

本发明属于天文数据处理领域，涉及天文数据处理方法，具体涉及一种疏散星团识别模型构建方法、疏散星团的识别方法及系统。

背景技术

目前常用的识别疏散星团与分离疏散星团成员星方法主要包括以下几种：

1.1、手工识别

一直以来天文学家采用手工逐个选取，人工判断方法搜寻疏散星团。即拿到一个数据集后，随机选取其中的一小块天区，观查数据的位置分布和自行分布，提取自行分布的区域星体高度密集区域作为一个子集，观察其颜色-星等图(CMD)是否符合经验曲线，如果符合,判断该区域存在团，反之否定该区域存在疏散星团.由于需要选取合适的半径以及密度区域，难以把握且主观随意性极大，上述原因导致该工作的工作量也极为庞大。该方法是一种原始但十分有效的方法，随着天文观测数据集的不断增大，该方法的可行性和有效性受到了极大挑战。

1.2、DBSCAN密度聚类分析

Castro-Ginard等人设计了一种方法，以自动方式系统地识别GAIA数据中的疏散星团，并且将其应用于GAIA DR1的TGAS数据集(GAIA Collaboration等人2016)作为初始测试步骤。使用名为DBSCAN的基于密度的聚类算法检测这些密度聚集(Ester等，1996)。使用基于人工神经网络(Hinton 1989)的分类算法对它们进行确认，以识别CMD上的等时线分布特征。最终使用GAIA DR2(GAIA Collaboration等2018)光度数据手动测试检测到的候选疏散星团，以便确认该方法在完整GAIA DR2数据集中的应用的有效性。该方法实现了自动化搜寻团结构，但其受背景场星干扰大，不适用于寻找远距离的疏散星团。

发明内容

针对上述现有技术存在的问题或缺陷，本发明的目的在于提供一种疏散星团识别模型构建方法、疏散星团的识别方法及系统，以解决现有技术中疏散星团识别依赖人工判断而导致的自动化程度查、效率低的技术问题。

为了解决上述技术问题，本发明采用如下技术方案予以实现：一种疏散星团识别模型构建方法，所述方法包括以下步骤：

步骤1、获取标记天区的区域星体结构化数据，为由该天区内区域星体组成的星团加注标签，组成区域星体结构化数据集以及星团标签集；

步骤2、对所述的区域星体结构化数据集进行处理，得到Parzen窗密度图样本集；

步骤3、以所述的Parzen窗密度图样本集作为输入，以所述星团标签集作为输出，对预构建的疏散星团识别模型进行训练，得到训练好的疏散星团识别模型；

其中，步骤2包括以下子步骤：

步骤2.1、对区域星体结构化数据集中的区域星体结构化数据进行清洗筛选，保留区域星体的赤经维度变量与赤纬维度变量；

步骤2.2、以区域星体的赤经维度变量与赤纬维度变量确定区域星体核函数和标记天区带宽参数；

步骤2.3、对得到的区域星体核函数和标记天区带宽参数进行数据分布概率密度估计，得到区域星体密度分布模型；