利用机器学习方法高效识别费米源
高能天体物理现象
2020-05-08 v1
摘要
在这项工作中，使用机器学习（ML）方法高效识别费米-LAT 第三源表（3FGL）中的未证认源和不确定类型耀变体候选体（BCUs）。目标有两个：1）在未证认源中区分活动星系核（AGNs）与其他（非 AGNs）；2）将 BCUs 识别为蝎虎天体（BL Lacs）或平谱射电类星体（FSRQs）。提出了两种降维方法来降低计算复杂度，其中随机森林（RF）、多层感知机（MLP）和生成对抗网络（GAN）被训练为独立模型。为了获得更好的性能，进一步探索了集成技术。还证明了网格搜索方法有助于选择模型的超参数并决定最终预测器，通过该方法我们在 1010 个未证认源中识别出 748 个 AGNs，准确率为 97.04%。在 573 个 BCUs 中，326 个被识别为 BL Lacs，247 个为 FSRQs，准确率为 92.13%。
引用
@article{arxiv.2005.03546,
title = {Efficient Fermi Source Identification with Machine Learning Methods},
author = {Hubing Xiao and Haitao Cao and Junhui Fan and Denise Costantin and Gaoyong Luo and Zhiyuan Pei},
journal= {arXiv preprint arXiv:2005.03546},
year = {2020}
}
备注
Accepted for publication in Astronomy and Computing