基于虚拟传感器的宽带光度测绘红移预测新方法

我们利用 Sloan Digital Sky Survey 主星系样本、The Galaxy Evolution Explorer 全天景观测、和 The Two Micron All Sky Survey 的光度红移进行计算。我们采用这三个调查项目的宽带光度数据，结合 Sloan Digital Sky Survey 对光度质量和星系形态的测量。我们的第一种训练集方法基于集合学习理论，第二种方法则采用高斯过程回归，这两种方法都能够估计红移并提供估计不确定性的度量。高斯过程模型在约 1000 个数据点或更少的小规模训练样本上效果极佳。我们将这两种方法与已知的人工神经网络训练集方法以及简单的一元线性和二次回归进行比较。我们的结果表明，稳健的光度红移误差可轻松降低至 0.02 的均方根值。我们还展示了在这两类模型的误差估计中提供置信区间的必要性。我们的结果表明，几乎所有神经网络的优化程序引起的变异，加上数据样本本身的变异，可能会导致模型在准确性上相差一个数量级。本文的关键贡献之一是量化模型和训练样本质量变化的范围。我们展示了仅凭挑选给定数据集和模型类别中“最佳”模型并不会产生可靠结果。