基于数据挖掘技术的疏散星团研究

Open clusters (OCs) have long been regards as powerful tools for studies of the Galactic disk , star evolution and dynamical evolution of star system. Most OCs are located in the Galactic plane and suffer from heavy field star contamination, so that membership determination is the important step for studies of OCs, but the traditional kinematic method has some disadvantages. In order to overcome the disadvantages of the traditional kinematic method, we attempt to use data mining techniques to determine cluster members. After testing, we find that the DBSCAN algorithm can obtain pure member stars in 3D kinematic space (proper motion and radial velocity) without any mathematical assumptions. Moreover, the DBSCAN algorithm can find arbitrary shaped overdensity in data set, which can also be used for the detection of tidal tails around OCs. Using the DBSCAN algorithm, an elongated overdensity is discovered in open cluster NGC188 for the first time, which is very likely the tidal tails of the cluster. In this research project, we attempt to develop a new method for membership determination of OCs, and this new method can also be used for the detection of tidal tails around OCs.

疏散星团在银盘动力学与化学演化、恒星演化以及恒星系统动力学演化方面都发挥着不可替代的作用。绝大多数疏散星团都受严重的场星污染，成员判定是很关键的一步，当前被广泛使用的运动学成员判定法还存在一些不容忽视的缺点。 本研究项目将数据挖掘技术中的聚类和分类算法用于星团成员判定，以弥补当前运动学方法上的不足。经过对几个星团的测试，我们发现基于密度的聚类算法（DBSCAN）在成员判定方面具有一定优势，此算法能在三维运动学空间（自行+视向速度）获得非常纯净的3D成员星，而不需要任何数学假设。 即使只有自行数据或测光数据也能进行成员判定。并且我们利用DBSCAN算法还发现了NGC188天区的长条形高密度结构，它很可能是NGC188的潮汐尾的一部分。 虽然我们已经利用DBSCAN聚类算法取得了一些有意义的结果，但一些问题还没有得到彻底解决。 另外，其它一些算法可能比DBSCAN算法更有优势，值得深入研究。

疏散星团是靠万有引力束缚的恒星系统，星团的距离、年龄、红化等重要物理参数更容易确定。疏散星团广泛地分布在银盘上，年龄分布范围也较广。因此，疏散星团是研究恒星演化和银河系结构与演化的重要天体。随着Gaia卫星观测数据的发布，可用于研究疏散星团的数据的数量和质量均有大幅度的改善。传统的疏散星团成员判定方法面临着来自高维大数据的挑战，新的数据分析方法是必须的。本研究充分考虑了未来高维度大数据的实际情况，利用数据挖掘的方法进行疏散星团的成员判定。经过对几个疏散星团的分析和研究，我们发现与传统的参数方法(VS方法)相比，非参数的聚类算法 （DBSCAN,KNN）具有明显优势。非参数聚类方法不需要事先假设恒星的分布模型，且可以向高维数据拓展，聚类效果甚至好于传统方法。