使用机器学习技术对 3FGL 星表中 Fermi LAT 伽马射线源进行分类与排序
高能天体物理现象
2016-03-23 v1
摘要
我们应用若干统计与机器学习技术，根据伽马射线源归属于两类主要伽马射线发射体——脉冲星（PSR）或活动星系核（AGN）——的可能性，对来自第三费米大面积望远镜（LAT）源星表（3FGL）的伽马射线源进行分类与排序。使用已证认/关联为 AGN（1738）和 PSR（166）的 1904 个 3FGL 源，我们训练（使用样本的 70%）并测试（使用 30%）我们的算法，发现随机森林（RF）技术获得最佳总体精度（>96%），而使用逻辑回归（LR）算法精度仅略低。我们将相同技术应用于 142 个已知伽马射线脉冲星的子样本，将其分类为两个主要子类：年轻（YNG）与毫秒脉冲星（MSP）。再次，RF 算法具有最佳总体精度（~90%），而增强 LR 分析紧随其后。我们将两个最佳模型（RF 和 LR）应用于整个 3FGL 星表，对未关联源的可能性质提供预测，包括脉冲星的可能类型（YNG 或 MSP）。我们也利用预测阐明一些具有已知关联（如双星、SNR/PWN）的伽马射线源的可能性质。最后，我们提供了一些脉冲星候选体的可能 X 射线对应体列表，这些对应体利用 Swift、Chandra 和 XMM 获得。我们的研究结果将有助于各波段的深入后续搜寻（如脉冲星）以及更广义的族群研究。
引用
@article{arxiv.1602.00385,
title = {Classification and Ranking of Fermi LAT Gamma-ray Sources from the 3FGL Catalog using Machine Learning Techniques},
author = {P. M. Saz Parkinson and H. Xu and P. L. H. Yu and D. Salvetti and M. Marelli and A. D. Falcone},
journal= {arXiv preprint arXiv:1602.00385},
year = {2016}
}
备注
Accepted by ApJ