《大数据量交叉证认算法研究 - LAMOST教学文稿》由会员分享，可在线阅读，更多相关《大数据量交叉证认算法研究 - LAMOST教学文稿（25页珍藏版）》请在金锄头文库上搜索。
1、11/29-12/03,China-VO 2006, Guilin,1,高丹 中国虚拟天文台研发团队,Chinese Virtual Observatory,大数据量交叉证认 算法研究,11/29-12/03,China-VO 2006, Guilin,2,内容,星表介绍 交叉证认的意义 现有的交叉证认工具 交叉证认概念 交叉证认方法比较 B-tree索引 HTM索引 HTM索引分区+kdtree 进一步工作,11/29-12/03,China-VO 2006, Guilin,3,星表,星表是包含天体信息（如赤经、赤纬、星等、流量）的二维数据表格 多波段：光学、红外、射电、X射线等 星表的每一
2、行对应一个天体，不同星表的同一天体的共同属性是位置信息 赤经：0360度 赤纬：-9090度,11/29-12/03,China-VO 2006, Guilin,4,星表实例,11/29-12/03,China-VO 2006, Guilin,6,交叉证认的意义,多波段数据融合，获得天体多波段信息 对天体的物理性质、演化规律获得更全面系统的认识 为进一步的统计分析、数据挖掘做准备 提取天体的参数越多，越有利于天体分类和测光红移的计算 增加了发现新天体的概率 LAMOST三大核心子课题之一 虚拟天文台数据融合必由之路,11/29-12/03,China-VO 2006, Guilin,7,现有的
3、交叉证认工具,SIMBAD ALADIN NED MAST TOPCAT OpenSkyquery GVO-cross-match,11/29-12/03,China-VO 2006, Guilin,8,现有工具的优缺点,优点： 界面友好 数据资源丰富 缺点： 不能进行大样本的交叉证认 参数不能自由选择 交叉证认结果需要用户进一步加工 没有对结果进行分类 没给出交叉证认的概率 只能与特定的数据交叉证认,11/29-12/03,China-VO 2006, Guilin,9,交叉证认的概念,将不同星表或数据库中的源按位置属性将它们联系起来，在相同位置的源或一定误差半径范围内的源，被证认为是同一天
4、体。,11/29-12/03,China-VO 2006, Guilin,10,证认的判断方法,有两个源分别在星表a、b中，它们的误差半径分别为r1，r2，它们的之间的球面距离为d。如果它们的关系满足 ，则认为它们是同一天体。,（1）,11/29-12/03,China-VO 2006, Guilin,11,证认的判断方法（例子）,2MASS：r1=0.1 ra=357.661036243116, decl=0.434507548194 SDSS：r2=0.1 ra=357.661059, decl=0.434484 d：0.000032746961 两个源满足(1)式，被证认为同一个天体,1
5、1/29-12/03,China-VO 2006, Guilin,12,索引,Indexing mechanisms used to speed up access to desired data.,11/29-12/03,China-VO 2006, Guilin,13,B-tree索引的交叉证认,为星表的ra，decl两列建B-tree索引 以小表为中心，在大表中遍历寻找证认源 以(1)式为判断 算法复杂度O(N*N),11/29-12/03,China-VO 2006, Guilin,14,B-tree索引的交叉证认（续）,11/29-12/03,China-VO 2006, Guili
6、n,15,B-tree索引方法优缺点,优点： 证认精度高 缺点： 内存限制，索引不好 速度慢，算法复杂度高,11/29-12/03,China-VO 2006, Guilin,16,HTM,The Spatial Index is a quad tree of spherical triangles. The tree is built in the following way: Start out with 8 triangles on the sphere using the 3 main circles to determine them. Then, every triangle ca
7、n be decomposed into 4 new triangles by drawing main circles between midpoints of its edges,11/29-12/03,China-VO 2006, Guilin,17,HTM pcode,ra=45.0 , decl=66.0, level=14 N313330303330003,11/29-12/03,China-VO 2006, Guilin,18,HTM level,Level Area (arcmin2) Num Leaves 10 1.77E1 8,388,608 11 1.43E0 33,55
8、4,432 12 1.11E01 34,217,728 13 2.77E-1 536,870,912 14 6.92E-2 2,147,483,648 15 1.73E-2 8,589,934,592 20 1.69E-5 8,796,093,022,208 25 1.65E-8 9,007,199,254,740,922,11/29-12/03,China-VO 2006, Guilin,19,HTM索引的交叉证认,由星表的精度选取一定的HTM级数 由星表的ra,decl计算出HTM pcode值 两个B-tree索引 一个空间索引 N*N遍历 自然连接 省去(1)式判断，要求两个星表级数一
9、样，即精度差不多,11/29-12/03,China-VO 2006, Guilin,20,HTM索引的交叉证认（续）,11/29-12/03,China-VO 2006, Guilin,21,HTM索引方法优缺点,优点： 索引好，空间索引解决了内存限制问题 缺点： 速度慢，没有解决算法复杂度问题 认证精度低 漏源概率高 大量一对多、多对一混杂 要求两个表精度差不多,11/29-12/03,China-VO 2006, Guilin,22,HTM索引分区+kdtree的交叉证认,以小表为中心，把HTM索引当作分区 对每个分区的大表，把ra、decl作为参数建kdtree 对每个分区内的每个源，
10、在kdtree中找最近邻 用(1)式证认判断 HTM级数比星表精度低，漏源可能性小,11/29-12/03,China-VO 2006, Guilin,23,HTM索引分区+kdtree方法优缺点,优点： 索引好，空间索引解决了内存限制问题 分区，算法复杂度降低，速度快 证认精度高 缺点： HTM级数难确定,11/29-12/03,China-VO 2006, Guilin,24,进一步工作,进一步改进和优化算法 尝试其他索引算法，如HEALpix 优化交叉证认界面 实现参数自由选择和加工 计算证认的概率 提供与上层的数据挖掘和可视化工具的接口 集成一些现有的数据挖掘算法，开发面向天文 数据特点的挖掘工具,11/29-12/03,China-VO 2006, Guilin,25,Thank you !,Q & A,?,www. .org,
