一种用于识别XMM Newton观测恒星与AGN的贝叶斯神经网络方法
天体物理仪器与方法
2023-01-03 v1
摘要
在当今时代，不同天文台产生海量数据，人工分类数据在实践中几乎不可能。因此，为对天体进行分类和归类，使用了多种机器和深度学习技术。然而，这些预测过于自信，且无法识别数据是否真正属于所训练类别。为解决这一过度自信的主要问题，本研究提出一种新颖的贝叶斯神经网络，它从分布中随机采样权重，而非频率学方法中采用的固定权重向量。该研究涉及对XMM Newton观测的恒星和AGN的分类。不过，出于测试目的，我们考虑CV、脉冲星、ULX和LMX以及恒星和AGN，算法拒绝以较高准确率预测这些对象，而频率学方法则将这些对象预测为恒星或AGN之一。所提算法是在观测天文学中使用贝叶斯神经网络的首批实例之一。此外，我们还使算法识别整个XMM-Newton DR11星表中的恒星和AGN。该算法以足够置信度将约62807个数据点识别为AGN、88107个数据点识别为恒星。在所有其他情况下，算法因高不确定性拒绝做出预测，从而降低了错误率。
引用
@article{arxiv.2301.00056,
title = {A Bayesian Neural Network Approach to identify Stars and AGNs observed by XMM Newton},
author = {Sarvesh Gharat and Bhaskar Bose},
journal= {arXiv preprint arXiv:2301.00056},
year = {2023}
}
备注
4 pages