利用机器学习评估4FGL星表中Fermi BCU的分类
高能天体物理现象
2020-01-08 v1
摘要
最近发布的第四版Fermi大面积望远镜源表（4FGL）依据直接观测的伽马射线性质报道了5065个伽马射线源。其中最大的群体是活动星系核（AGN），包含3137个耀变体、42个射电星系和28个其他AGN。耀变体样本由694个平谱射电类星体（FSRQs）、1131个BL Lac型天体（BL Lacs）和1312个未知类型耀变体候选体（BCUs）组成。由于对其内禀性质认知有限且天文观测资源有限，利用光学光谱对耀变体分类十分困难。为克服这些挑战，机器学习算法正作为替代方法被研究。利用4FGL星表，我们系统性地选取了含23个参数的3137个Fermi耀变体样本。采用三种成熟的监督机器学习算法（随机森林（RFs）、支持向量机（SVMs）、人工神经网络（ANNs））建立通用预测模型以对BCU进行分类。我们分析了所有不同参数组合的结果。有趣的是，此前报道的所用参数越多精度越高的趋势并未出现。考虑所用参数最少的情况，SVM、ANN或RF中8、12或10个参数的组合所生成的模型达到了最高精度（精度≈91.8%或≈92.9%）。利用最优参数组合的分类结果，预测出724个BL Lac型候选体和332个FSRQ型候选体；然而，仍有256个未能给出明确预测。
引用
@article{arxiv.1911.02570,
title = {Evaluating the classification of Fermi BCUs from the 4FGL Catalog Using Machine Learning},
author = {Shi-Ju Kang and Enze Li and Wujing Ou and Kerui Zhu and Jun-Hui Fan and Qingwen Wu and Yue Yin},
journal= {arXiv preprint arXiv:1911.02570},
year = {2020}
}
备注
Accepted for publication in ApJ. 14 pages, 2 figures, 6 tables