АСТРОНОМИЯЛЫҚ СПЕКТРЛЕРДІҢ ТОЛҚЫН ҰЗЫНДЫҒЫН АВТОМАТТЫ ТҮРДЕ КАЛИБРЛЕУ: DTW–RANSAC СӘЙКЕСТЕНДІРУ ЖӘНЕ CNN НЕГІЗІНДЕГІ АЛДЫН АЛА ӨҢДЕУ

Мақалада машиналық оқыту әдістері мен сенімді сәйкестендіру алгоритмдерін біріктіруге негізделген астрономиялық саңылаулы спектрлердің толқын ұзындығын калибрлеуге арналған автоматтандырылған алгоритм ұсынылады. Ұсынылған тәсіл спектрлік жолақты автоматты түрде анықтауға арналған бірөлшемді конволюциялық нейрондық желіні (CNN), одан кейін динамикалық уақытты ығыстыру (DTW) әдісі арқылы бастапқы шыңдарды сәйкестендіруді және кездейсоқ үлгілер консенсусы (RANSAC) алгоритмі негізінде кейінгі нақтылауды қамтиды. CNN моделі синтетикалық және нақты спектрлік деректерде оқытылып, әртүрлі дифракциялық торлар үшін жоғары жіктеу дәлдігін көрсетеді. DTW әдісі сызықтық емес бұрмаланулар мен шу болған жағдайда да бақыланатын және эталондық спектрлердің сенімді бастапқы туралануын қамтамасыз етеді. RANSAC алгоритмін қолдану қате шың сәйкестіктерін сүзу және дисперсиялық шешімді оңтайландыру арқылы калибрлеу дәлдігін одан әрі арттырады. Әдіс калибрлеу шамдарынан алынған нақты бақылау деректерінде сыналып, жоғары сенімділік, тиімділік және толық автоматтандыру мүмкіндігін көрсетеді. Дәстүрлі қолмен немесе жартылай автоматтандырылған тәсілдермен салыстырғанда, ұсынылған өңдеу құбыржолы жоғары калибрлеу дәлдігін сақтай отырып, өңдеу уақытын едәуір қысқартады. Әзірленген шешімді виртуалды обсерватория инфрақұрылымында қызмет ретінде орналастыру жоспарлануда және көптеген спектрлік деректерді өңдеу үшін қолданылады.

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