Mingjie's Blog

[Recording in progress]

銀河考古学总结 - 附录

图片里的故事

这里主要讲讲銀河考古学总结用到的论文图片背后的故事。论文不一定细读,但是至少要到能解释图片怎么来的、结果意味着什么的地步。 1 序章 Hopkins & Beacom 2006中的Fig. 1 不同来源的数据给出了一致的结果 SFR(Stellar Forming Rate):一个点;SFH(Stellar Forming History):一条线 通过不同方法...

OASP笔记 - 15

压强的确定

恒星大气压强变化的一个明显结果就是,光度变大了。这是因为压强变小之后整个恒星膨胀。所以压强和光度是联系在一起的。一般来说,压强引起的光谱特征变化没有温度变化那么敏感,但是在赫罗图上,温度的变化只有几千K,但是压强的变化可以到10的五/六次方,所以光谱特征还是可以有很大变化的。 大体来说我们可以通过测量连续谱、中性/电离谱线以及强线的线翼来确定电子压强。不幸的是这些东西都对温度敏感,所以我们...

OASP笔记 - 14

半径与有效温度的确定

这俩参数是恒星的基本参数。假设有俩以某恒星为中心的同心球,一个半径为恒星半径\(R\),另一个的半径为恒星到观测者的距离\(d\);在这两个球面上接收到的辐射量为\(\mathscr{F}_\nu, F_\nu\),则有 \[4\pi d^2 F_\nu = 4\pi R^2 \mathscr{F}_\nu \tag{14.1}\] 将有效温度的定义\((1.2)\)代入并积分,有 ...

OASP笔记 - 13

谱线的行为

Image credit: Jonathan Walker. 我们在归一化光谱下面讨论。 谱线的转移方程 主要参考第七章的东西。大气连续谱上有吸收和发射,那么谱线也有。 令\(l_\nu\)为谱线吸收系数,\(j^l_\nu\)为谱线发射系数;对于连续谱这两个量是\(\kappa_\nu, j^c_\nu\)。那么对于式子\((7.1)\),我们还有同样的形式: \[\begin{...

OASP笔记 - 12

谱线的测量

手里有数据,心里不慌。上一章讲了谱线的轮廓,那么实际我们怎么去测这个轮廓呢?毕竟测到了才能推出下面几章的东西来,那么就要看看我们是拿什么东西来测量谱线轮廓,以及怎么还原谱线轮廓的了。 仪器 打住。我不是做仪器的,所以这块就不详细说了。要有轮廓肯定需要高色散光谱仪(虽然不同波段的高指的分辨率不一样,大家也都在吹自己的是高色散),光谱仪有分辨率公式\((3.15)\): \[\Delta ...

日本天文年会相关文件

latex + 除了英语以外的语言都是邪教

作为初级阶段的学生,经常要写各种初级文书。日本人的长处在于把一切都整得井井有条,给你一个excel表格里面不能填的就是不能填;不过当遇上latex这个对非英语语言不怎么友好的东西的时候就很容易抓瞎。这里记录一下日本天文年会相关文件的编译方法,以免(其实免不了)我忘掉。 年会报名 用英语来进行年会报名其实不难。只要跑到这里下载package(“パッケージをダウンロードしてご利用ください”里...

OASP笔记 - 11

谱线吸收系数

看了这么久从这一章开始才是正餐。 谱线的强度和形状都是我们很关心的东西,因为它们可以同时受多个物理量影响;相反连续谱的形状基本上只是有效温度的函数。谱线吸收系数就决定了这条谱线位于什么波长、将会有什么形状。 这一章我们基本上讨论三种谱线致宽的机制:自然致宽、压强致宽以及热运动致宽。虽然字面上看起来这三个机制只会告诉我们谱线宽了多少,但是实际上我们会推导出谱线吸收系数,也就把能定的都定下来...

OASP笔记 - 10

连续谱

又是比较简单的一章。而且因为连续谱一般和流量的绝对定标有关,我平常其实用得不多。 连续谱的确定主要能匹配出有效温度来,如果细节多一些的话\(\log{g}\)也可以确定。至于金属丰度就有点困难了,虽然也是有办法的。那么为了一次性地得到比较宽的光谱范围(毕竟高分辨率光谱需要更长的曝光时间,以及不同级数之间的流量定标相当麻烦),这里所说的连续谱的分辨率一般在10到15埃左右。在得到目标星光谱之...

Deep Learning笔记3

机器学习策略

这么多改进的方式,究竟要用哪个? 正交化 我们希望某个/些参数只影响某些结果。我们有训练样本、发展样本、测试样本、真实数据上的结果。最好就是存在某些参数可以分别改变网络在它们上的表现。 Single Number evaluation metric 找一个可以方便比较的数字。 精确度和完整性:Harmonic average. 复杂目标 optimizing:数字越小/大越好;...

Deep Learning笔记2

调参

数据集 以前是分成两个的,训练和测试。现在分成3个,训练、发展和测试集。用发展去测试训练,最后再用测试去测试表现;甚至没有测试集都行。这里的区别是发展集是用来overfitting的,测试集不是。 要注意不同数据集的数据要同质,质量相同 bias和variance 训练集的错误率比与预期的高:高bias;发展集的错误率比训练集的高:高variance 正则化 在代价函...