利用人工神经网络实现无偏的切变估计
宇宙学与河外天体物理
2013-04-04 v3 天体物理仪器与方法
摘要
由于不完美的切变校准导致的偏差，是从大范围弱引力透镜巡天（如Pan-STARRS-3pi、DES或未来的卫星任务Euclid）中提取宇宙学参数约束时最大的障碍。我们证明，通过神经网络可以几乎完全消除现有切变测量流程（例如KSB）中存在的偏差。这样，偏差校正可以依赖于单个星系的属性，而不是一个单一的全局值。我们提出了一种训练神经网络进行切变估计的流程，并将其应用于模拟的GREAT08真实噪声数据子集。我们还表明，在测量切变之前对点扩散函数（PSF）进行圆化处理，可以减少与PSF各向异性校正相关的散射，从而改善测量结果，特别是在低信噪比和中信噪比数据上。我们的结果与GREAT08竞赛中的最佳表现者相比具有竞争力，尤其是在中高信噪比数据集上。用GREAT08定义的质量参数表示，对于低、中、高信噪比数据集，我们在未圆化时分别达到Q=40、140和1300，在圆化后分别达到Q=50、200和1300。
引用
@article{arxiv.1002.0838,
title = {Bias-Free Shear Estimation using Artificial Neural Networks},
author = {D. Gruen and S. Seitz and J. Koppenhoefer and A. Riffeser},
journal= {arXiv preprint arXiv:1002.0838},
year = {2013}
}
备注
19 pages, 8 figures; accepted for publication in ApJ