基于自组织映射创建的快速ASKAP连续光谱survey中复杂射电源目录

下一代射电调查预计将识别数百万个新源，识别和分类其形貌将需要新的且更有效的方法。自组织地图（SOM）是一种无监督机器学习方法，可用于解决此问题。我们将来自快速ASKAP连续光谱survey（RACS）的251,259个多高斯源映射到具有离散神经元的SOM上。可以用于识别每个输入图像的最佳匹配神经元或单元（BMU）的相似性度量，例如欧几里得距离。我们通过可视化检查输入图像及其相应BMU的子集来建立可靠性阈值。我们基于观察到的形貌为单个神经元贴标签，并将这些标签包含在我们增值的RACS源目录中。其欧几里得距离到其BMU的源$\lesssim$ 5（约占79%的源）具有>90%的可靠性，以其SOM派生形貌标签估计。当欧几里得距离$\gtrsim$ 7时，可靠性降至不到70%。在此阈值之外，几乎不太可能准确描述给定源的形貌标签。我们将来自RACS的复杂射电源目录与其SOM派生形貌标签将公开发布。