用于大型光谱巡天中感兴趣对象发现的主动深度学习方法

LAMOST 望远镜的当前档案包含数百万条经管线处理的频谱，它们可能从未被人眼见过。然而，大多数具有有趣物理性质的稀有天体只能通过对其特征光谱特征的视觉分析来识别。将交互式可视化与现代机器学习技术恰当结合，为发现此类天体开辟了新途径。我们应用由深度卷积网络支持的主动学习分类，自动识别数百万光谱档案中复杂的发射线形状。我们使用基于池的不确定性采样主动学习，由受 VGGNet、AlexNet 和 ZFNet 启发但适配于一维特征向量的定制12层深度卷积神经网络驱动。未标记池集由来自 LAMOST DR2 巡天的 410 万条光谱表示。网络的初始训练在一个约 13000 条光谱的标记集上完成，这些光谱由 Ondřejov 天文台的 2m Perek 望远镜在 H$\alpha$ 周围区域获取，主要包含 Be 及相关早型恒星的光谱。Ondřejov 中分辨率与 LAMOST 低分辨率光谱仪之间的差异通过高斯模糊补偿。经过若干次迭代，该网络能以小于 6.5% 的误差成功识别发射线恒星。利用虚拟天文台技术可视化结果，我们发现了 948 个发射线天体新候选者的 1013 条光谱，此外还有 SIMBAD 中列出的 549 个天体的 664 条光谱，以及由 Wen Hou 领导的中国小组在早期论文中识别出的 2291 个天体的 2644 条光谱。具有不寻常光谱性质的最有趣天体被详细讨论。