贝叶斯单次光度分类超级星系
天体物理学
2008-11-26 v3
摘要
(已缩略) 持续进行的超级星系(SN)调查发现大量候选者,需要确认其可用性。传统上基于对所有候选者后续光谱的分类几乎不可能实现这些大规模样本。我们提出了一种用于超级星系的自动贝叶斯分类算法,即SN-ABC。我们仅依赖于单次多波段光度和宿主星系(光度)红移信息来将SN候选者分为两种主要类型,Ia型和核心坍缩型超级星系。我们在来自SNLS和GOODS项目的已发布样本中对SN-ABC性能进行测试,这些样本同时拥有宽带光度和光谱分类(因此已知真实类型)。SN-ABC在SNLS中正确分类最高可达97%(85%),以及类似的GOODS SNe,取决于光度红移质量。使用具有大规模人造样本的模拟,我们发现类型Ia和II-P的分类成功率同样很高,而在将Ibc型SN分类为核心坍缩型时也能实现合理的(~75%)成功率。然而,IIn型SN常被误分类为Ia。深度调查中,SN Ia在z>~0.6或接近最大亮度时最佳分类,成功率可达约95%。核心坍缩SN在最大亮度数周后或在z<~0.6时最佳识别,并接近80%的成功率。假设SN是年轻的,如滚动调查中所述,则成功率会因类型和红移而异而提高。SN-ABC还允许对诸如活跃星系核(AGN)等SN"假象"进行排除,我们模拟的半数的AGN被该算法排除。我们的算法还提供对分类质量的良好度量,这对于误差估计非常有价值。
引用
@article{arxiv.astro-ph/0610129,
title = {Bayesian Single-Epoch Photometric Classification of Supernovae},
author = {Dovi Poznanski and Dan Maoz and Avishay Gal-Yam},
journal= {arXiv preprint arXiv:astro-ph/0610129},
year = {2008}
}
备注
AJ, accepted