多重机器学习作为星团分析的有力工具

Denilso Camargo

多重机器学习作为星团分析的有力工具

星系天体物理 2025-06-18 v1 天体物理仪器与方法太阳与恒星天体物理

作者: Denilso Camargo

摘要

本文提出了一种多重机器学习方法(MMLM)，旨在提高星团分析的准确性和鲁棒性。通过将MMLM应用于重新分析由Camargo (2021)(以下简称C21)发现的年老双星团候选体——NGC 1605a和NGC 1605b，来评估其性能。该双星团候选体通过将一组成熟的机器学习算法应用于Gaia-EDR3数据进行分析。成员概率和疏散星团(OCs)参数通过使用聚类算法pyUPMASK、ASteCA、Kmeans、GMM和HDBSCAN确定。此外，还实现了一个KNN平滑算法，以增强对5维空间中过密度和颜色-星等图(CMDs)上内在恒星序列等特征的视觉化。该方法验证了先前推导出的星团参数，但表明其可能的成员星分布在一个更广阔的重叠区域。最后，结合肘部法、t-SNE、kmeans和GMM算法，将归一化数据分为6个星团，与C21一致。总之，这些结果证实NGC1605a和NGC1605b是真正的OCs，并强化了先前的观点，即它们形成了一个处于并合晚期阶段的年老双星团，该双星团是在一次近距离交会期间经历潮汐俘获后形成的。因此，MMLM已被证明是一个强大的工具，有助于获得更准确和可靠的星团参数，其在未来研究中的应用可能有助于更好地刻画银河系的星团系统。

关键词

多重机器学习星团双星团 Gaia-EDR3 成员概率疏散星团参数聚类算法

引用

@article{arxiv.2506.13951,
  title  = {Multiple machine-learning as a powerful tool for the star clusters analysis},
  author = {Denilso Camargo},
  journal= {arXiv preprint arXiv:2506.13951},
  year   = {2025}
}

备注

Accepted for publication in The Astronomical Journal

多重机器学习作为星团分析的有力工具

摘要

关键词

引用

备注

相关论文