利用无监督机器学习编目射电天空：SKA时代的一种新方法
天体物理仪器与方法
2020-07-08 v1
摘要
我们开发了一种基于无监督机器学习方法、用于识别相关射电成分及其对应红外宿主星系的新分析途径。通过利用自组织映射算法PINK，我们能够在无需先验训练标签的情况下关联射电与红外源。我们以FIRST和WISE巡天中围绕FIRST星表所给位置为中心的幅图像为例展示了该方法。我们生成了一套补充FIRST并描述802,646个天体的星表，包括其射电成分及对应的AllWISE红外宿主星系。利用这些数据产品，我们(i)展示了识别具有稀有独特射电形态天体（如“X”形星系、FR-I/FR-II混合形态）的能力，(ii)可识别与单一红外宿主相关的潜在可分辨射电成分，以及(iii)引入一种“弯曲度(curliness)”统计量以搜寻弯折与扰动射电形态，并(iv)提取出一组700–1100 kpc间的17个巨型射电星系。由于无需训练标签，只要能训练出具有充分代表性的SOM，我们的方法便可应用于任何射电连续谱巡天。
引用
@article{arxiv.2006.14866,
title = {Cataloging the radio-sky with unsupervised machine learning: a new approach for the SKA era},
author = {T. J. Galvin and M. Huynh and R. P. Norris and X. R. Wang and E. Hopkins and K. Polsterer and N. O. Ralph and A. N. O'Brien and G. H. Heald},
journal= {arXiv preprint arXiv:2006.14866},
year = {2020}
}