应用神经网络分类器生成洁净的小麦哲伦云恒星样本
星系天体物理
2023-04-05 v1
摘要
背景。先前将小麦哲伦云（SMC）恒星与银河系（MW）前景恒星分离的尝试仅基于恒星的自行。目的。本文中我们开发一种统计分类技术，利用更宽泛的 Gaia 数据集有效分离 SMC 恒星与 MW 恒星。我们旨在相比先前策略降低 MW 恒星可能的污染。方法。新策略基于神经网络分类器，应用于 Gaia DR3 数据的主体。我们通过该分类器的应用产生三组被标记为 SMC 成员的恒星样本，具有不同程度的完备性和纯度。利用不同测试样本我们验证了这些分类结果，并将其与 Gaia 合作组论文中采用的仅基于自行的选择技术结果进行比较。结果。三个 SMC 样本中 MW 的污染估计在 10–40% 之间；该范围内的“最佳情况”出现在亮星（G > 16）中，它们属于 Vlos 子样本，而“最差情况”出现在通过使用基于 StarHorse 距离的极严格判据确定的完整 SMC 样本中。基于与具有均匀天密度的邻近区域比较的进一步检验表明，我们样本中的全局污染可能接近该范围的低端，约 10%。结论。我们提供了三组具有不同纯度和完备度的 SMC 恒星样本选择，估计其污染水平较低，并已使用 SMC RR Lyrae、SMC 造父变星和 SMC/MW StarHorse 样本成功验证。
引用
@article{arxiv.2301.08494,
title = {Application of a Neural Network classifier for the generation of clean Small Magellanic Cloud stellar samples},
author = {Ó. Jiménez-Arranz and M. Romero-Gómez and X. Luri and E. Masana},
journal= {arXiv preprint arXiv:2301.08494},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2210.01728