基于神经网络的类星体选择与测光红移
宇宙学与河外天体物理
2009-10-21 v1
摘要
重子声学振荡及其对物质功率谱的影响可以通过研究沿类星体视线方向的物质密度场的莱曼-阿尔法吸收特征来研究。要获得足够精确以提供有用宇宙学约束的测量，需要在约8000平方度的天区内观测约10万个红移范围在2.2<z<3.5内的类星体。斯隆数字巡天第三期的重子振荡光谱巡天项目计划进行这样的巡天。在实践中，需要实现超过两个数量级的恒星剔除率，同时类星体的选择效率在g星等高达约22等时仍优于50%。为了获得合适的目标列表并估计类星体红移，我们开发了一种具有多层感知器架构的人工神经网络。输入变量是测光测量值，即SDSS测光五个波段中的目标星等及其误差。对于目标选择，我们在类星体效率分别为50%和85%时，实现了非类星体点状目标剔除率99.6%和98.5%。在与BAO研究相关的区域内，测光红移精度约为0.1。
引用
@article{arxiv.0910.3770,
title = {QSO Selection and Photometric Redshifts with Neural Networks},
author = {Ch. Yeche and P. Petitjean and J. Rich and E. Aubourg and N. Busca and J. -Ch. Hamilton and J. -M. Le Goff and I. Paris and S. Peirani and Ch. Pichon and E. Rollinde and M. Vargas-Magana},
journal= {arXiv preprint arXiv:0910.3770},
year = {2009}
}
备注
7 pages, 7 figures, submitted to A&A