星体光谱的物理参数化:神经网络方法
天体物理学
2015-06-24 v1
摘要
我们提出了一种技术方法，利用人工神经网络为星体光谱产生物理参数。该神经网络在一组合成光谱上进行训练，以给出物理参数(如T_eff, log g, [M/H])。训练好的神经网络随后用于为真实观测到的光谱产生物理参数。我们的神经网络基于155个合成光谱训练，合成光谱使用Gray(1994, Gray & Corbally 1994, Gray & Arlt 1996)编写的SPECTRUM程序生成。训练完成后，神经网络用于为从5000套摄影准直棱镜板(Bailer-Jones, Irwin & von Hippel 1997a)中提取的B-K光谱得到T_eff。利用这些光谱由Houk(1975, 1978, 1982, 1988)分配的MK分类，我们基于这5000个光谱制作了MK系统的温度校准。通过金属丰度依赖推导出的温度校准结果表明，神经网络对真实光谱中金属丰度特征具有敏感性。通过进一步的工作，神经网络有望能够为星体光谱提供可靠的金属丰度测量。
引用
@article{arxiv.astro-ph/9708206,
title = {Physical Parameterization of Stellar Spectra: The Neural Network Approach},
author = {Coryn A. L. Bailer-Jones and Mike Irwin and Gerard Gilmore and Ted von Hippel},
journal= {arXiv preprint arXiv:astro-ph/9708206},
year = {2015}
}
备注
10 pages, 6 figures. Accepted to MNRAS