基于人工神经网络的星系 [NII] $\lambda$ 6584 和 H$\alpha$ 谱线光度预测校准

人工神经网络 (ANN) 是一种成熟的数据预测数学技术，基于对输入训练集中相关性的识别和模式识别。我们展示了 ANN 在预测星系中 H$\alpha$ 和 [NII] $\lambda$6584 发射线光度方面的应用。这些重要的光谱诊断工具用于金属丰度、活动星系核 (AGN) 分类和恒星形成率的测定，但对于红移 $z \sim 0.5$ 以上的星系，它们已移至红外波段，或者可能未被波长覆盖范围有限的光谱所涵盖。该 ANN 使用从斯隆数字巡天 (Sloan Digital Sky Survey) 中选取的大量发射线星系样本进行训练，采用了发射线和恒星质量的各种组合。我们在以恒星形成和 AGN 为主导的两种情况下测试了该 ANN；在这两种情况下，H$\alpha$ 和 [NII] $\lambda$6584 谱线光度的预测离散度均为 $\sigma <$ 0.1 dex。我们还表明，ANN 的性能并不显著依赖于数据的覆盖分数、质量或金属丰度。我们推导出了多项式函数，以便轻松应用 ANN 预测来确定 H$\alpha$ 和 [NII] $\lambda$6584 谱线光度。此外，我们还提出了一种基于线等效宽度和颜色的巴耳末减幅 (H$\alpha$/H$\beta$) 的 ANN 校准方法。利用独立数据集（星系质量与组装巡天，Galaxy Mass and Assembly Survey）证明了该 ANN 校准的有效性。我们展示了将我们的谱线光度应用于气相金属丰度测定和 AGN 分类的方法。与 Kewley & Ellison 提出的基于函数的转换方法相比，ANN 技术在需要 [NII] 和 H$\alpha$ 的金属丰度测量方面取得了显著改进。该 AGN 分类方法对 86% 的 SDSS 星系是成功的。