利用$k$近邻回归估计光谱红移 I. 方法描述与分析

背景：在天文学中，处理和分析呈指数增长的数据量需要新的方法。虽然经典方法（例如模板拟合）适用于已知类别的天体，但必须开发替代技术来确定那些不符合的天体。因此，分类方案应基于个体属性而非拟合全局模型，从而避免丢失宝贵信息。处理大型数据集时的一个重要问题是异常值检测，目前这通常是针对具体问题处理的。目标：本文提出了一种基于相似性方法来统计估计红移$z$。这使我们能够在不使用任何预定义模型的情况下，确定发射谱和吸收谱中的红移。此外，我们展示了如何基于单一特征进行红移估计。因此，例如我们能够过滤显示多个红移分量的天体。我们建议将此通用方法应用于所有类似问题，以识别传统方法失效的天体。方法：红移估计通过比较光谱中的预定义区域，并对每个预定义的发射和吸收区域单独应用$k$近邻回归模型来进行。结果：我们对我们参考样本和测试样本中分析的 16,000 个光谱中超过 50% 估计了红移。红移估计对每个单独测试的特征产生的精度与 SDSS 红移的整体精度相当。我们在 14 个光谱中发现发射线与吸收线之间或发射线与发射线之间存在显著位移。结果表明，这种简单的机器学习方法在研究如 SDSS 等大型数据库方面已显示出巨大的潜力。