基于机器学习人工神经网络的强线氧丰度定标
星系天体物理
2019-03-13 v1
摘要
HII区氧丰度是研究星系化学性质的关键观测量。利用光学光谱推导氧丰度通常依赖于针对直接法标定的经验强线定标。现有定标通常采用线性或多项式函数来描述强线比值与Te氧丰度之间的非线性关系。本文探讨使用人工神经网络模型构建非线性强线定标的可能性。利用约950条具有极光谱线探测的文献HII区光谱，我在机器学习的训练与测试框架下构建了多层感知机模型。结果表明，在当前样本量下复杂模型（如神经网络）更受青睐，且比简单线性模型能更好地预测氧丰度。我证明新定标能够重现近邻星系的金属丰度梯度与质量-金属丰度关系。最后，我讨论了利用即将到来的大规模HII区样本开发新神经网络定标的前景以及面临的挑战。
引用
@article{arxiv.1903.01506,
title = {A Machine Learning Artificial Neural Network Calibration of the Strong-Line Oxygen Abundance},
author = {I-Ting Ho},
journal= {arXiv preprint arXiv:1903.01506},
year = {2019}
}
备注
12 pages, 15 figures. Accepted to MNRAS