CLOVER：发射线区域中速度的一维卷积神经网络谱线拟合方法
太阳与恒星天体物理
2020-01-08 v1 星系天体物理
摘要
当多个恒星形成气体结构沿视线方向重叠，并以显著不同的径向速度发出光学薄发射时，发射会变得非高斯化，并常呈现两个不同的峰。传统谱线拟合技术可能无法充分解释这些双峰轮廓，从而给出不准确的云运动学测量。我们提出一种称为发射线区域中速度卷积神经网络拟合（CLOVER）的新方法，利用以合成光谱立方体训练的 1D 卷积神经网络，来区分单分量、双分量和仅噪声发射线。CLOVER 通过对 像素子立方体进行预测来利用光谱立方体中的空间信息，以中心像素的谱和 网格上的平均谱作为输入。在每类各 10,000 个未见过合成光谱立方体的集合上，CLOVER 对单分量类的分类准确率为 ，对双分量类为 。对于仅噪声类（相当于传统谱线拟合方法信噪比截断为4），CLOVER 的分类准确率为 。CLOVER 在真实观测上也具有出色表现，能在多种恒星形成区域中正确区分这三类。此外，CLOVER 可快速准确地从被识别为双分量类的光谱中直接提取运动学信息。而且，我们展示了 CLOVER 可轻松扩展至具有超精细分裂的发射线，使其成为大规模 NH 和 NH 制图巡天新时代中一个有吸引力的工具。
引用
@article{arxiv.1909.08727,
title = {CLOVER: Convnet Line-fitting Of Velocities in Emission-line Regions},
author = {Jared Keown and James Di Francesco and Hossen Teimoorinia and Erik Rosolowsky and Michael Chun-Yuan Chen},
journal= {arXiv preprint arXiv:1909.08727},
year = {2020}
}
备注
Accepted for publication in ApJ