使用 CuBAN$z$ 进行光度红移测量：一种基于聚类辅助反向传播神经网络的改进光度红移估计器

我们提出了一种改进的光度红移估计器代码 CuBAN$z$，该代码已在 https://goo.gl/fpk90V}{https://goo.gl/fpk90V 上公开提供。它使用反向传播神经网络并结合训练集的聚类，这使其比现有的神经网络代码更高效。在 CuBAN$z$ 中，训练集被划分为若干个自学习簇，同一簇内的星系在给定跨度内具有相似的光度属性和光谱红移。该聚类算法使用颜色信息（即 $u-g$、$g-r$ 等），而不是各光度波段的视星等，因为光度红移对不同波段间的流量差异更为敏感，而非实际数值。使用所有可能的颜色、星等和测量不确定度，为每个簇分别训练独立的神经网络。对于未知红移的星系，我们识别出具有相似光度属性的最接近的簇，并使用由这些簇成员训练的特定网络来获取其光度红移。对于不匹配任何训练簇的星系，其光度红移由使用整个训练集的独立网络获取。这种聚类方法使我们能够更准确地测定红移。此处使用 SDSS Stripe 82 星表来演示该代码。对于红移范围 $z_{\rm spec}<0.7$ 的聚类源，在训练/测试阶段的残差（$\langle (z_{{\rm spec}}-z_{{\rm phot}})^2\rangle^{1/2}$）低至 0.03，而在相同测试数据集上，现有的 ANNz 代码提供的残差为 0.05。此外，我们对导出的光度红移的不确定度提供了更好的估计。