基于机器学习的黑洞双星吸积态分类方法
高能天体物理现象
2021-01-27 v1
摘要
在本文中，我们首次将机器学习算法应用于多任务观测，对爆发态黑洞 X 射线双星的吸积态进行分类。利用来自 RXTE、Swift、MAXI 和 AstroSat 观测台的存档数据，为源 XTE J1859+226（1999 年爆发）、GX 339-4（2002、2004、2007 和 2010 年爆发）、IGR J17091-3624（2016 年爆发）和 MAXI J1535-571（2017 年爆发）的爆发生成硬度和强度图（HIDs）。基于 X 射线流量、硬度比、各类准周期振荡（QPOs）的存在、光子指数和吸积盘温度的变化，我们应用 K-Means 聚类和层次聚类等聚类算法对各次爆发的吸积态（簇）进行分类。由于分类过程涉及多个参数，我们表明聚类算法比“标准”分类方法更有效地将特征相似的观测归为一类。我们还推断 K-Means 聚类比层次聚类提供更可靠的结果。我们通过与“标准”分类结果进行比较，展示了基于机器学习的分类的重要性。
引用
@article{arxiv.2101.06218,
title = {A Machine Learning approach for classification of accretion states of Black hole binaries},
author = {H Sreehari and Anuj Nandi},
journal= {arXiv preprint arXiv:2101.06218},
year = {2021}
}
备注
10 pages, 9 figures, Accepted for publication in MNRAS