一种使用神经网络对超新星进行自动光度分类的简单鲁棒方法
宇宙学与河外天体物理
2015-06-11 v3 天体物理仪器与方法
摘要
提出了一种将超新星 (SNe) 自动光度分类为 Ia 型或非 Ia 型的方法。该方法采用两步法：(i) 分别拟合每个观测滤光片中的超星光变曲线测光通量测量值；(ii) 将拟合函数参数及其相关的不确定度，连同通量测量次数、拟合的最大似然值和模型的贝叶斯证据，作为分类神经网络 (NN) 的输入特征向量，该网络输出所考虑的超新星为 Ia 型的概率。该方法使用超新星光度分类挑战赛 (SNPCC) 后发布的数据进行训练和测试。我们考虑了将数据随机划分为训练集和测试集的几种情况：例如，对于我们的样本 D_1 (D_4)，总共有 10% (40%) 的数据用于训练算法，其余用于对最终分类器进行盲测；我们未作任何选择截断。在 NN 输出上设定 p_th=0.5 的典型阈值概率将超新星分类为 Ia 型，对于样本 D_1 (D_4)，我们获得了 0.78 (0.82) 的完整度、0.77 (0.82) 的纯度以及 0.41 (0.50) 的 SNPCC 优值。将超新星宿主星系红移及其不确定度作为 NN 的额外输入，会使这些值增加 5-10%。我们发现分类质量不随超新星红移发生显著变化。此外，我们的概率分类方法允许在不知道测试样本中超新星真实类别的情况下，计算作为 p_th 函数的预期完整度、纯度或其他分类质量度量。因此，该方法可以通过优化 p_th 得到进一步改进，并且可以很容易地扩展以将非 Ia 型超新星划分为其不同的类别。
引用
@article{arxiv.1208.1264,
title = {A simple and robust method for automated photometric classification of supernovae using neural networks},
author = {N. V. Karpenka and F. Feroz and M. P. Hobson},
journal= {arXiv preprint arXiv:1208.1264},
year = {2015}
}
备注
8 pages, 4 figures. v3: Version accepted for publication in MNRAS; minor changes from previous version to address referees' comments