利用无监督聚类分析洞察类星体紫外光谱
星系天体物理
2016-03-11 v1
摘要
机器学习可提供强大的工具来检测多维参数空间中的模式。我们使用K-means——一种简单而强大的无监督聚类算法，能从未标记数据中挑选出结构——来研究来自Paris等人(2014)斯隆数字巡天第十次数据发布类星体目录的一类类星体紫外光谱样本。在大型数据集中检测模式有助于我们深入理解导致类星体观测属性的物理条件和过程。我们使用K-means在等效宽度(EW)、Mg II 2800 A线的蓝和红半高全宽(HWHM)、C IV 1549 A线以及C III] 1908 A混合线的参数空间中寻找聚类，样本为红移1.6-2.1的宽吸收线(BAL)和非BAL类星体。利用该方法，我们成功恢复了UV波段中已知的相关关系，例如C IV发射线的EW与蓝移之间的反相关，以及由He II强度和Si III]/C III]比值所探测的电离光谱能量分布(SED)形状。我们发现当使用C III]的属性来寻找聚类时这一点尤为明显，而Mg II的属性则证明与光谱中其他谱线（如C IV的宽度或Si III]/C III]比值）的属性相关性较弱。我们得出结论：无监督聚类方法（如K-means）是在多维数据集中寻找“自然”分箱边界的强大方法，并讨论了注意事项和未来工作。
引用
@article{arxiv.1603.03318,
title = {Insights into Quasar UV Spectra Using Unsupervised Clustering Analysis},
author = {Aycha Tammour and Sarah C. Gallagher and Mark Daley and Gordon T. Richards},
journal= {arXiv preprint arXiv:1603.03318},
year = {2016}
}
备注
17 pages, color figures, accepted for publication in MNRAS