基于机器学习的小行星物质组成分析研究
文献类型：学位论文
| 作者 | 罗南平
|
| 答辩日期 | 2024-07-01 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 王晓彬 |
| 关键词 | 小行星光谱分类 物质组成 人工神经网络 光谱数据 CSST |
| 学位专业 | 天体物理 |
| 其他题名 | Analysis method of asteroids’ composition based on machine learning |
| 英文摘要 | 小行星的物质组成提供了关于小行星的起源和演化的重要信息，以及对太阳系内层行星形成理论的约束。由于地面观测仪器的限制，目前缺乏暗弱的小行星的物质组成信息。不久的将来，中国空间站望远镜（CSST）将获得亮度超过25 mag和23 mag的小行星的多色测光数据与无缝光谱数据。利用所获得的光谱数据和多色测光数据，可以研究小行星的表面物质组成。小行星的表面物质组成不同，其反射光谱的特征也不同。因此，按照反射光谱的形状及吸收特征将小行星分成不同的类型。未来CSST将为小行星的物质组成研究带来海量观测数据，如何应用CSST的光谱数据开展小行星物质组成分析是本论文主要解决的问题。为此，借助机器学习技术建立了一整套适用于未来CSST小行星无缝光谱数据的人工神经网络（Artificial neural networks, ANN）分析工具。根据CSST无缝光谱模块的设计指标，使用SMASS II的光谱数据和Bus-Binzel分类系统的标签构建了由5个单独的人工神经网络组成的集成分类工具。对测试集中数据的分类的准确率达到92 %以上，对S3OS2（Small Solar System Objects Spectroscopic Survey）数据集的分类测试的准确率超过87%。作为首次应用，使用该人工神经网络分类工具分析了2006年和2007年在中国兴隆观测站（天文台代码327）使用2.16米望远镜观测的42颗小行星的64条光谱，给出了64条光谱的类型并与以往的研究进行比较。结果表明，小行星（469）的表面物质成分是均匀的（除了零相位附近存在1条C类光谱），并首次给出了小行星（1303）的光谱类型（D类）。此外，发现64条光谱中有23条光谱在0.7μm附近存在吸收特征，这些小行星的表面可能存在含水矿物。从测试结果与实际应用中的分析结果来看，这一人工神经网络分类工具可以应用于分析未来CSST的小行星无缝光谱，能够满足小行星物质组成的研究需求。 |
| 学科主题 | 天文学 |
| 语种 | 中文 |
| 页码 | 0 |
| 源URL | [http://ir.ynao.ac.cn/handle/114a53/28032]  |
| 专题 | 云南天文台_系外行星研究组 |
| 作者单位 | 中国科学院云南天文台 |
| 推荐引用方式 GB/T 7714 | 罗南平. 基于机器学习的小行星物质组成分析研究[D]. 北京. 中国科学院大学. 2024. |
入库方式： OAI收割
来源：云南天文台
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。