从光谱星系巡天中提取关键信息

我们开发了一种新方法，基于联合主成分分析 (PCA) 与大规模优化参数估计与数据压缩 (MOPED) 算法，从光谱星系巡天中提取主要由重子声学振荡与红移空间畸变携带的关键宇宙学信息。我们将该方法应用于来自 BOSS DR12 的星系样本，发现 PCA 处理能有效提取二维关联函数中的信息模式，相比使用传统方法的最低三个多极矩，对 BAO 与 RSD 参数给出了更紧的约束；即 BAO 与 RSD 参数的品质因数提高了 $17\%$。我们随后利用 MOPED 方案对 BAO 与 RSD 参数的信息 PC 模式进行压缩，将数据向量的维度降至感兴趣参数的数目，表明联合 PCA 与 MOPED 是一种几乎不损失约束能力的成团性分析有力工具。