用深度学习对 Seyfert 星系进行分类
星系天体物理
2021-10-04 v1 天体物理仪器与方法
摘要
传统的 Seyfert 星系子类分类方法为视觉检查或使用定义为 Balmer 线与禁线之间流量比的量。深度学习的一种算法是卷积神经网络（CNN），并已展示出成功的分类结果。我们构建了一个一维 CNN 模型来区分 Seyfert 1.9 光谱与 Seyfert 2 星系。我们发现我们的模型能以超过 80% 的准确率识别 Seyfert 1.9 和 Seyfert 2 光谱，并挑选出一批被视觉检查遗漏的额外 Seyfert 1.9 样本。我们使用新的 Seyfert 1.9 样本提升模型性能，获得了 91% 的 Seyfert 1.9 精确率。这些结果表明我们的模型能从 Seyfert 2 光谱中挑出 Seyfert 1.9 光谱。我们通过拟合 2 个高斯分量分解了 Seyfert 1.9 星系的 Hα 发射线，并推导出线宽和流量。我们发现新 Seyfert 1.9 样本的宽 Hα 分量速度分布具有向高端延伸的尾部，且新 Seyfert 1.9 样本的亮度略弱于原始 Seyfert 1.9 样本。该结果表明我们的模型能挑出具有相对较弱宽 Hα 分量的源。此外，我们检查了 Seyfert 1.9 样本的主星系形态分布，发现主星系形态以大核球星系为主。最后，我们呈现了一个包含 1297 个 Seyfert 1.9 星系及 Hα 发射线测量的在线星表。
引用
@article{arxiv.2107.06653,
title = {Classifying Seyfert galaxies with deep learning},
author = {Yen Chen Chen},
journal= {arXiv preprint arXiv:2107.06653},
year = {2021}
}
备注
accepted for publication in ApJS