（一）数据预处理
1. 对 JWST 数据进行校准，去除仪器噪声和背景噪声等干扰因素。
2. 按照红移范围进行分类和筛选，选取不同时期具有代表性的星系样本。
（二）特征提取
1. 从数据中提取星系的形态特征（如大小、形状、是否存在棒状结构等）。
2. 计算星系的质量、光度以及金属丰度分布等物理量。
3. 确定星系所在的环境特征，如周围的星系密度等。
（三）模型参数化
1. 设定引力并合的频率和强度参数，通过与观测数据对比进行调整。
2. 恒星形成反馈的能量和物质输出参数，以匹配星系内的化学和动力学特征。
3. 暗物质相关参数与理论模型相衔接。
（四）模型构建与优化
1. 基于理论基础和参数化，构建星系形成速率的数学表达式。
2. 利用数值模拟和优化算法，不断调整参数使得模型预测结果与 JWST 数据最佳匹配。
六、新模型的关键要素与创新点
（一）关键要素
1. 准确的引力并合模型，包括并合的时间、并合星系的质量比等。
2. 细致的恒星形成反馈机制，涵盖不同类型恒星的反馈。
3. 与 JWST 数据紧密结合的验证和调整策略。
（二）创新点
1. 首次全面基于 JWST 数据进行模型构建，充分利用其高精度和多特征优势。
2. 考虑了多种以往被忽略或简化的因素的综合作用，如并合过程中气体的运动和金属丰度的变化。
3. 模型具有动态调整和自我优化的能力，随着新的 JWST 数据的不断加入可以持续改进。
七、模型验证与结果分析