基于无监督学习和卷积神经网络的 HI 星系轮廓分类：比较分析与方法案例研究
星系天体物理
2025-01-22 v1 机器学习
摘要
氢元素是宇宙中最丰富的元素，对理解星系形成与演化至关重要。21 �米中性氢 - HI 谱线图映射了星系内部的气体运动，提供了关于相互作用、星系结构和星际形成过程的关键见解。随着新型射电仪器的出现，数据volume和复杂度正在增加。为高效分析和分类 HI 集成轮廓，本文提出了一种框架，集成了机器学习技术，结合无监督方法和卷积神经网络。为此，我们将框架应用于 CIG 和 Arecibo Legacy Fast ALFA Survey 目录中 318 个 HI 谱轮廓和 30.780 个谱轮廓。数据预处理涉及 Busyfit 软件包和基于多项式、高斯和双 Lorentzian 模型的迭代拟合。使用 K 均值、谱聚类、DBSCAN 和层次聚类等聚类方法进行特征提取，并通过 K-NN、SVM 和随机森林分类器进行分类，以 CNN 优化准确率。此外，我们引入了轮廓的 2D 模型以增强分类，通过添加维度来增强数据。根据变换和归一化版本生成了三个 2D 模型，以量化不对称程度。这些方法在 Analysis of the Interstellar Medium in Isolated Galaxies 组之前进行的分析性分类研究中进行了测试。这种方法提高了分类准确率，旨在建立一种可应用于未来使用 Square Kilometre Array (SKA) 进行的数据分析的方法，后者目前正在建造。所有材料、代码和模型均已以开放存取方式发布，遵循 FAIR 原则。
引用
@article{arxiv.2501.11657,
title = {Classification of HI Galaxy Profiles Using Unsupervised Learning and Convolutional Neural Networks: A Comparative Analysis and Methodological Cases of Studies},
author = {Gabriel Jaimes-Illanes and Manuel Parra-Royon and Laura Darriba-Pol and Javier Moldón and Amidou Sorgho and Susana Sánchez-Expósito and Julián Garrido-Sánchez and Lourdes Verdes-Montenegro},
journal= {arXiv preprint arXiv:2501.11657},
year = {2025}
}
备注
5 pages, 3 figures