利用无监督机器学习算法识别银河系卫星星系成员星的可能性
天体物理仪器与方法
2023-11-27 v1 星系天体物理
摘要
由于银河系（MW）卫星星系亮度微弱且光谱确认成员星较少，对其恒星种群的详细研究仍是一项观测挑战。我们利用无监督机器学习方法，基于Gaia数据发布3（Gaia DR3）天体测量数据以及暗能量巡天（DES）和DECam本地体积探索巡天（DELVE）测光数据，为九个邻近的银河系卫星星系识别新成员。我们在四维天体测量参数空间中使用了两种基于密度的聚类算法DBSCAN和HDBSCAN来识别属于银河系卫星星系的成员星。我们的结果表明，在大多数卫星星系中，我们可以恢复超过80%的已知光谱确认成员，并排除95-100%的光谱非成员。我们还利用该方法新增了许多成员。我们将结果与先前同样使用测光和天体测量数据的研究进行了比较，并讨论了基于密度的聚类方法对银河系卫星星系的适用性。
引用
@article{arxiv.2311.14102,
title = {Possibilities of Identifying Members from Milky Way Satellite Galaxies using Unsupervised Machine Learning Algorithms},
author = {Devika K Divakar and Pallavi Saraf and Sivarani Thirupathi and Vijayakumar H Doddamani},
journal= {arXiv preprint arXiv:2311.14102},
year = {2023}
}