基于KNN与SVM集成的类星体光度红移估计

从多个大规模巡天收集的大量测光数据为通过光度红移测量天体距离提供了重要机会。然而，灾难性失败长期以来仍是未解决的问题，并存在于当前的光度红移估计方法（如 $k$ 近邻）中。本文提出一种新颖的两阶段方法，将 $k$ 近邻（KNN）与支持向量机（SVM）方法集成。第一阶段，我们在测光数据上应用 KNN 算法并估计其对应的 z$_{\rm phot}$。通过分析，我们发现两个具有灾难性失败的密集区域，一个在 z$_{\rm phot}\in[0.3,1.2]$ 范围内，另一个在 z$_{\rm phot}\in [1.2,2.1]$ 范围内。第二阶段，我们利用 SVM 中的高斯核函数，将落入这两个范围内的点的测光输入模式从原始属性空间映射到高维特征空间。在高维特征空间中，许多因 KNN 中简单欧氏距离计算导致的灾难性失败离群点可被 SVM 的分类超平面识别并进一步纠正。基于 SDSS（斯隆数字巡天）类星体数据的实验结果表明，该两阶段融合方法能显著缓解灾难性失败并提高类星体光度红移估计的精度。集成方法在不同 |$\Delta$z| 区间内的百分比和 rms（均方根）误差分别为 $83.47\%$、$89.83\%$、$90.90\%$ 和 0.192，而 KNN 的结果为 ($71.96\%$、$83.78\%$、$89.73\%$ 和 0.204)。