基于机器学习对Best-Heckman样本中选取的14,245个射电活动星系核的形态分类

我们通过对设计的基于卷积神经网络（CNN）的自编码器（即MCRGNet）并将其应用于包含1442个AGN的带标签射电星系（LRG）样本和从Best–Heckman样本中选取的包含14,245个无标签AGN的无标签射电星系（unLRG）样本，将14,245个射电活动星系核（AGN）形态分类为六种类型，即典型Fanaroff–Riley I/II类（FRI/II）、FRI/II类弯尾、X形射电星系和环状射电星系。我们通过预训练、微调与分类的三步策略训练MCRGNet并实施分类任务，该策略结合了无监督与有监督学习。设计了一个四层二分类树对射电AGN进行分类，其性能显著优于直接的六类型分类。在LRG样本上，我们的MCRGNet达到了约$93\%$的总精度和约$87\%$的平均灵敏度，优于以往工作所得结果。在标签已经过人工核查的unLRG样本上，该神经网络达到了约$80\%$的总精度。此外，利用Sloan数字巡天（SDSS）第7次数据发布（DR7）计算$r$波段绝对星等（$M_\mathrm{opt}$），并利用流量密度计算射电光度（$L_\mathrm{radio}$），我们发现unLRG源在$L_\mathrm{radio}$–$M_\mathrm{opt}$平面上的分布未显示出明显的红移演化，并且若以足够大样本可确认不存在某些先前工作中报道的FRI与FRII之间的突变分离。