PCA 层析：如何从数据立方体中提取信息

天文学的发展几乎完全依赖于分别独立操作的光谱和成像技术。随着现代技术的发展，人们可以获得将两种技术同时结合的数据立方体，从而生成具有光谱分辨率的图像。从中提取信息可能相当复杂，因此开发新的数据分析方法是可取的。我们提出了一种数据立方体（来自单视场观测的数据，包含两个空间维度和一个光谱维度）的分析方法，该方法使用 PCA（主成分分析）以降维形式表达数据，从而促进从极大数据集中高效提取信息。PCA 将相关坐标系转换为按方差递减的主成分排序的非相关坐标系。新坐标称为特征向量，数据在这些坐标上的投影产生我们称之为层析图的图像。将层析图（图像）与特征向量（光谱）相关联对于两者的解释都很重要。特征向量是相互正交的，这一信息对于其处理和解释是基础的。当数据立方体显示呈现不相关物理现象的物体时，特征向量的正交性可能有助于分离和识别它们。通过处理特征向量和层析图，可以增强特征、提取噪声、压缩数据、提取光谱等。仅出于说明目的，我们将该方法应用于 LINER 星系 NGC 4736 的中心区域，并证明其拥有一个此前未知的 1 型活动星系核。此外，我们表明它偏离了其恒星核球的中心。