SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Automated Analysis of Spectra

brigid avatar
brigid
22 diapositives · 393 Views · Aug 16, 2014

Automated Analysis of Spectra. C. Allende Prieto University of Texas. Contents. Classification/Analysis Available methods MDM: interpolation and optimization Practical examples: high-resolution and SDSS Summary. Data flow. Data Acquisition Reduction Analysis

#automated analysis of spectra #automated analysis of spectra ppt #powerpoint #presentation
Automated Analysis of Spectra - slide 1
01 / 22Automated Analysis of Spectra
1 / 17

Télécharger la présentation

Automated Analysis of Spectra
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Automated Analysis of Spectra C. Allende Prieto University of Texas

  2. Contents • Classification/Analysis • Available methods • MDM: interpolation and optimization • Practical examples: high-resolution and SDSS • Summary

  3. Data flow Data Acquisition Reduction Analysis Interpretation

  4. ? Classify:

  5. ---- 12 ---- 18 ---- 15cm Analyze:

  6. Best-seller list • Principal Component Analysis (PCA) • Minimum Distance Methods (MDM) • Artificial Neural Networks (NN) • Bayesian Probabilistic Models (BPM)

  7. Basic summary of properties Technique Training Easy to Interpretability required Implement? BPM √ √ MDM √ √ NN √ √

  8. To train or not to train: NN vs. MDM • Pay in full or in installments • Flexibility • Inmunity to S/N variations • Performance

  9. MDM: Interpolation • Brute force approach • Interpolation: monotonic; linear, quadratic, cubic …

  10. MDM: Optimization • Steepest descent, Newton’s method, Levenberg-marquardt method • With no help from derivatives: Nelder-Mead simplex method • Being global: Genetic algorithms, simulated annealing

  11. MDM: Weighting • Wi=1 • S/N variations with wavelength • Accuracy of the model (function of wavelength and parameters) • Sensitivity • Balance

  12. Applications HIGH-RES SPECTRA • R=60,000 observations of Hyades members • Teff/logg/[M/H] from de Bruijne et al. (2001) • MDM implementation: - grid of synthetic spectra f(Teff,logg,[M/H],[Fe/H],vsini) - linear interpolation - Nelder-Mead simplex optimization

  13. Applications HIGH-RES SPECTRA

  14. Applications HIGH-RES SPECTRA

  15. Applications HIGH-RES SPECTRA

  16. Applications HIGH-RES SPECTRA

  17. Applications: SDSS Spectra+Photometry • Sloan Digital Sky Survey: lots of galaxies, but also stars (calibrators, BHB, M-dwarfs, errors) • R ~ 2000 spectra (381-910 nm) + ugriz photometry • DR2 includes 50,000+ stellar spectra 14<V<22; distances up to a few hundred Kpc

  18. Applications: SDSS Spectra+Photometry

  19. Applications: SDSS Spectra+Photometry

  20. Applications: SDSS Spectra+Photometry

  21. Summary • NN rulewhen Nobj is very large • MDM with interpolation + optimization are competitive, especially at low Nobj • The largest projects will require custom-made NN systems, but • Mid-size and small projects may share software changing only the grids of templates

  22. Data Acquisition Reduction Analysis Data flow Data Acquisition Reduction Analysis SIMBAD Data Acquisition Reduction Analysis