| 中文摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 1.绪论 | 第9-16页 |
| 1.1 引言 | 第9页 |
| 1.2 从海量天体光谱中搜寻超新星及其它特殊天体的意义 | 第9-10页 |
| 1.3 课题研究背景 | 第10-13页 |
| 1.3.1 LAMOST项目 | 第10-11页 |
| 1.3.2 LAMOST科学目标及科学意义 | 第11-12页 |
| 1.3.3 LAMOST超新星发现概率的估算 | 第12-13页 |
| 1.4 课题研究现状 | 第13-15页 |
| 1.5 本文的研究内容和组织结构 | 第15-16页 |
| 2.天体光谱自动分析 | 第16-22页 |
| 2.1 天体光谱的预处理 | 第16-17页 |
| 2.1.1 噪声处理 | 第16页 |
| 2.1.2 流量归一化 | 第16-17页 |
| 2.2 特征提取 | 第17-18页 |
| 2.3 天体光谱的粗分类 | 第18-20页 |
| 2.4 恒星光谱的参数测量 | 第20页 |
| 2.5 天体光谱的红移 | 第20-21页 |
| 2.6 特殊天体的搜寻 | 第21-22页 |
| 3.一种新的超新星候选范围约减算法 | 第22-31页 |
| 3.1 引言 | 第22页 |
| 3.2 基于LOF算法的超新星候选范围自动约减 | 第22-24页 |
| 3.2.1 LOF算法相关概念[62] | 第22-24页 |
| 3.2.2 数据剪枝 | 第24页 |
| 3.2.3 改进的LOF算法 | 第24页 |
| 3.3 实验结果及分析 | 第24-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4.基于局部均值的K近质心近邻光谱分类 | 第31-47页 |
| 4.1 引言 | 第31页 |
| 4.2 基于局部均值的K近邻光谱分类 | 第31-35页 |
| 4.2.1 算法介绍 | 第31-32页 |
| 4.2.2 实验一 | 第32-35页 |
| 4.3 基于局部均值的K近质心近邻点算法 | 第35-46页 |
| 4.3.1 近质心近邻原则 | 第35页 |
| 4.3.2 K近质心近邻算法 | 第35-36页 |
| 4.3.3 基于局部均值的K近质心近邻的光谱分类 | 第36-37页 |
| 4.3.4 实验二 | 第37-46页 |
| 4.4 本章小结 | 第46-47页 |
| 5.基于质量估计的恒星大气参数自动测量 | 第47-55页 |
| 5.1 引言 | 第47页 |
| 5.2 质量估计算法 | 第47-51页 |
| 5.2.1 一维质量估计 | 第48-49页 |
| 5.2.2 多维质量估计 | 第49-51页 |
| 5.3 实验及结果分析 | 第51-54页 |
| 5.4 本章小结 | 第54-55页 |
| 6.总结和展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 攻读硕士学位期间发表学术论文情况 | 第60-61页 |
| 致谢 | 第61-62页 |
| 作者简介 | 第62-63页 |