АВТОМАТИЧЕСКАЯ КАЛИБРОВКА ДЛИНЫ ВОЛНЫ АСТРОНОМИЧЕСКИХ СПЕКТРОВ С ИСПОЛЬЗОВАНИЕМ DTW–RANSAC СОПОСТАВЛЕНИЯ И ПРЕДВАРИТЕЛЬНОЙ ОБРАБОТКИ НА ОСНОВЕ CNN

В данной статье представлен автоматизированный алгоритм калибровки длины волны щелевых астрономических спектров, основанный на сочетании методов машинного обучения и надежных алгоритмов сопоставления. Предлагаемый подход включает в себя одномерную сверточную нейронную сеть (CNN) для автоматической идентификации спектрального диапазона, за которой следует первоначальное сопоставление пиков с использованием метода динамического временного сдвига (DTW) и последующее уточнение с помощью алгоритма консенсуса случайных выборок (RANSAC). Модель CNN обучена как на синтетических, так и на реальных спектральных данных и демонстрирует высокую точность классификации для различных дифракционных решеток. Метод DTW обеспечивает надежное начальное совмещение наблюдаемых и эталонных спектров даже при наличии нелинейных искажений и шума. Применение RANSAC дополнительно повышает точность калибровки за счет отсеивания некорректных соответствий пиков и оптимизации решения дисперсии. Метод был проверен на реальных данных наблюдений от калибровочных ламп и демонстрирует высокую устойчивость, эффективность и возможность полной автоматизации. По сравнению с традиционными ручными или полуавтоматическими подходами, предложенный конвейер значительно сокращает время обработки, сохраняя при этом высокую точность калибровки. Разработанное решение планируется развернуть в виде сервиса в инфраструктуре виртуальных обсерваторий и применять для обработки многочисленных спектральных данных.

1. Stoughton, C., et al. Sloan Digital Sky Survey: Early Data Release. The Astronomical Journal, 123 (1), 485–548 (2002). https://doi.org/10.1086/324741

2. Law, D.R., et al. The Data Reduction Pipeline for the SDSS-IV MaNGA IFU Survey. The Astronomical Journal, 152, 83 (2016). https://doi.org/10.3847/0004-6256/152/4/83

3. Tody, D. The IRAF Data Reduction and Analysis System. Instrumentation in Astronomy VI, Proc. SPIE, 627, 733–748 (1986). https://doi.org/10.1117/12.968154

4. Odewahn, S.C., et al. Automated Star/Galaxy Discrimination with Neural Networks. In: Digitised Optical Sky Surveys, 215–224 (1992). https://doi.org/10.1086/116063

5. Weir, N., et al. The SKICAT System for Processing and Analyzing Digital Imaging Sky Surveys. Publications of the Astronomical Society of the Pacific, 107 (718), 1243–1254 (1995). https://doi.org/10.1086/133683

6. Collister, A.A., and Lahav, O. ANNz: Estimating Photometric Redshifts Using Artificial Neural Networks. Publications of the Astronomical Society of the Pacific, 116 (818), 345–351 (2004). https://doi.org/10.1086/383254

7. Dieleman, S., Willett, K.W., and Dambre, J. Rotation-Invariant Convolutional Neural Networks for Galaxy Morphology Prediction. Monthly Notices of the Royal Astronomical Society, 450 (2), 1441–1459 (2015). https://doi.org/10.1093/mnras/stv632

8. Smith, M.J., and Geach, J.E. Astronomia ex Machina: A History, Primer and Outlook on Neural Networks in Astronomy. Royal Society Open Science, 10 (5) (2023). https://doi.org/10.1098/rsos.221454

9. Fabbro, S., et al. An Application of Deep Learning in the Analysis of Stellar Spectra. Monthly Notices of the Royal Astronomical Society, 475 (3), 2978–2993 (2018). https://doi.org/10.1093/mnras/stx3298

10. Zhang, T., et al. Application of Machine Learning in Astronomical Spectral Data Mining. Astronomical Techniques and Instruments, 2 (2), 73–87 (2025). https://doi.org/10.61977/ati2024057

11. Davenport, J.R.A., et al. Automated Spectroscopic Wavelength Calibration Using Dynamic Time Warping. https://doi.org/10.48550/arXiv.2508.05862

12. LeCun, Y., et al. Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86 (11), 2278–2324 (1998). https://doi.org/10.1109/5.726791

13. Sakoe, H., and Chiba, S. Dynamic Programming Algorithm Optimization for Spoken Word Recognition. IEEE Transactions on Acoustics, Speech, and Signal Processing, 26 (1), 43–49 (1978). https://doi.org/10.1109/TASSP.1978.1163055

14. Fischler, M.A., and Bolles, R.C. Random Sample Consensus: A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography. Communications of the ACM, 24 (6), 381–395 (1981). https://doi.org/10.1145/358669.358692

15. Nair, V., and Hinton, G.E. Rectified Linear Units Improve Restricted Boltzmann Machines. In: Proceedings of the 27th International Conference on Machine Learning, 807–814 (2010). http://www.icml2010.org/papers/432.pdf

16. Rogowski, M., et al. mpi4py.futures: MPI-Based Asynchronous Task Execution for Python. IEEE Transactions on Parallel and Distributed Systems, 34 (2), 611–622 (2022). https://doi.org/10.1109/TPDS.2022.3225481

17. Kingma, D.P., and Ba, J. Adam: A Method for Stochastic Optimization. (2015). https://doi.org/10.48550/arXiv.1412.6980

18. Srivastava, N., et al. Dropout: A Simple Way to Prevent Neural Networks from Overfitting. Journal of Machine Learning Research, 15 (1), 1929–1958 (2014). https://www.cs.toronto.edu/~hinton/absps/JMLRdropout.pdf

19. Mirapeix, J., et al. In-Process Automatic Wavelength Calibration for CCD-Spectrometers. In: Optical Sensors 2008, Proc. SPIE, 7003, 70031T (2008). https://doi.org/10.1117/12.781040