应用于 Swift-XRT 和 XMM-Newton 星表的 X 射线源概率分类

背景。偶然性 X 射线巡天已被证明是发现稀有天体的有效途径，例如潮汐瓦解事件、变脸活动星系核（AGN）、双类星体、超亮 X 射线源（ULXs）和中等质量黑洞。随着超大型 X 射线巡天的出现，对 X 射线源进行自动分类变得越来越有价值。目标。本工作基于 X 射线源的空间、光谱和时变特性及其多波段对应体，提出了一种改进的朴素贝叶斯分类方法，将 Swift-XRT 和 XMM-Newton 星表中的 X 射线源分为四类——活动星系核（AGN）、恒星、X 射线双星（XRBs）和激变变星（CVs）。使用离群度量来识别其他性质的天体。该分类器经过优化，以最大化选定类别（此处为 XRBs）的分类性能，并适用于数据挖掘目的。方法。我们利用多波段数据、源类别和变异性特性扩充了 X 射线星表。然后，我们构建了一个包含约 25000 个已知性质 X 射线源的参考样本。根据该样本，仔细估计了每种特性的分布，并将其作为参考，以分配属于每个类别的概率。然后，结合来自每种特性的信息，对整个星表进行分类。结果。在 Swift 参考样本上使用该算法，我们分别找回了 99% 的活动星系核、98% 的恒星、92% 的 X 射线双星和 34% 的激变变星，假阳性率分别为 3%、1%、9% 和 15%。在 XMM 源上获得了类似的结果。当应用于一个精心挑选的、代表 X 射线星表 55% 的测试样本时，分类在源特性分布方面给出了一致的结果。使用离群度量有效地检索出了大量不属于任何类别的源，以及特性偏离其类别主体的活动星系核和恒星。然后将我们的算法与随机森林方法进行了比较；两者表现出相似的性能，但本文提出的算法提高了对每次分类依据的理解。结论。这种稳健的分类方法可以定制以包含额外或不同的源类别，并可应用于其他 X 射线星表。与其他方法相比，该分类的透明性使其成为搜索均匀群体或稀有源类型（包括多信使事件）的有用工具。随着 LSST、SKA 和 Athena 等空前规模的巡天项目的发展，以及对多信使事件对应体的搜索，这样的工具将变得越来越有价值。