基于人工神经网络的星系光谱分类方法

我们提出了一种用于对信噪比低的星系光谱进行自动分类的方法，这类光谱典型于红移测量调查。我们基于 2dF 星系红移测量调查的参数，开发了光谱模拟，并利用这些模拟我们检验了当应用于低信噪比光谱时，主成分分析(PCA)技术的效果。我们将客观主成分与光谱中的特征相关联，并用少数主成分成功地从低质量光谱中重建原始信号。将主成分作为输入，我们训练人工神经网络将噪声模拟光谱分类为形态学类别，揭示了该分类方法在观测 $b_{\rm J}$ 亮度上的成功情况，这与其他分类方法进行了比较。我们发现，对于 $b_{\rm J}=19.7$ 的模拟，超过90%的常规星系被正确分类到五个宽泛形态学类别中。通过将数据分为独立的子集，我们表明仅对常规星系才有意义将星系分类到哈伯序列中，而那些具有异常特征的光谱应纳入以其光谱特征为主要依据的分类方案中。我们讨论了如何使用人工神经网络来区分常规与异常星系光谱，并讨论将这些结果应用于星系红移测量调查观测光谱的可能性。