多波段巡天中类星体的测光红移

MLPQNA 代表带有拟牛顿算法的多层感知机，是一种可用于处理复杂和大规模数据集上的回归与分类问题的机器学习方法。本文给出了该方法的正式描述，并展示了其在评估类星体测光红移方面的应用结果。实验所用的数据集是通过合并四个不同的巡天数据（SDSS、GALEX、UKIDSS 和 WISE）获得的，从而覆盖了从紫外到中红外的广泛波长范围。该方法能够：i) 实现非常高的精度；ii) 大幅减少离群值和灾难性对象的数量；iii) 根据参数的显著性区分参数（或特征），从而优化用于训练和分析的特征数量，以减少计算需求和简并效应的影响。最佳实验使用了从四个巡天中选择的参数组合，在整个红移范围（即 $z_{spec} \le 3.6$，由四巡天交叉匹配的光谱样本定义）内，就 $\Delta Z_{norm}$（即 $(z_{spec}-z_{phot})/(1+z_{spec})$）而言，其平均值为 $\Delta Z_{norm} = 0.004$，标准差 $\sigma = 0.069$，中位绝对偏差 $MAD = 0.02$。灾难性离群值（即光致红移与光谱值偏差超过 $2\sigma$ 的天体）的比例小于 3%，在移除这些离群值后，在同一红移范围内的 $\sigma$ 降至 0.035。该方法已通过 DAMEWARE Web 应用程序向社区提供。