ML-MOC：基于机器学习（kNN与GMM）的疏散星团成员判定
天体物理仪器与方法
2021-02-16 v2 星系天体物理
摘要
现有的疏散星团成员判定算法要么依赖于星团某些已知参数的先验，要么无法对大样本星团自动处理。本文提出ML-MOC，一种基于机器学习的新方法，利用Gaia DR2数据识别疏散星团的可能成员，且无需关于星团参数的先验信息。我们对Gaia DR2数据中的高精度自行和视差测量使用k近邻（kNN）算法与高斯混合模型（GMM），以确定至G~20 mag单个源的成员概率。为验证所发展方法，我们将其应用于十五个疏散星团：M67、NGC 2099、NGC 2141、NGC 2243、NGC 2539、NGC 6253、NGC 6405、NGC 6791、NGC 7044、NGC 7142、NGC 752、Blanco 1、Berkeley 18、IC 4651和Hyades。这些星团在年龄、距离、金属丰度、消光方面各异，并在自行和视差上相对场星族覆盖宽广参数空间。提取出的成员给出洁净的色-星等图，且我们的星团天体测量参数与先前工作推导值吻合良好。提取成员中估计的污染程度介于2%至12%。结果表明ML-MOC是从场星中分离疏散星团成员的可靠方法。
引用
@article{arxiv.2011.13622,
title = {ML-MOC: Machine Learning (kNN and GMM) based Membership Determination for Open Clusters},
author = {Manan Agarwal and Khushboo K. Rao and Kaushar Vaidya and Souradeep Bhattacharya},
journal= {arXiv preprint arXiv:2011.13622},
year = {2021}
}
备注
19 pages, 17 figures, Accepted for publication at MNRAS