基于卷积神经网络的射电星系形态分类

我们展示了深度机器学习技术的应用，利用卷积神经网络基于形态学对扩展源的射电图像进行分类。在本研究中，我们以范德堡-莱利(Fanaroff-Riley, FR)类射电星系以及具有弯尾形态的射电星系为例。我们使用了来自甚大阵列(VLA)的二十厘米射电天空微弱图像(FIRST)巡天的档案数据以及文献中已有的视觉分类样本，来训练一个神经网络以对这些类别的射电源进行形态分类。我们每个类别的训练样本量约为200个源，并通过同一源的旋转版本进行了扩充。我们的研究表明，在使用定义良好的样本和融合分类器（该分类器结合了二分类结果）的情况下，卷积神经网络能够以高精度（最大精确率95%）对FRI、FRII和弯尾射电星系的图像进行分类，同时提供了一种发现具有不寻常形态源的机制。弯尾射电星系的个体精确率最高，为95%，而FRI和FRII类的精确率分别为91%和75%；召回率方面，FRI和FRII最高，均为91%，而弯尾类的召回率为79%。这些结果表明，我们的结果与人工分类相当，同时速度快得多。最后，我们讨论了利用卷积神经网络对射电星系进行形态分类所面临的计算和数据相关挑战。