基于机器学习的含尘恒星源光谱与多波段观测识别及分类
星系天体物理
2025-08-06 v1 太阳与恒星天体物理
摘要
我们提出了一种机器学习方法，利用有监督和无监督方法识别并区分含尘恒星源，并使用在红外天区收集的测光与光谱数据对点源（主要为演化恒星）进行分类。光谱数据通常用于识别特定红外源。然而，我们的目标是确定利用多波段数据能在多大程度上识别这些源。为此，我们基于 SAGE-Spec Spitzer Legacy 与 SMC-Spec Spitzer 红外光谱仪（IRS）光谱星表，构建了来自大、小麦哲伦云的已确认源光谱的稳健训练集。随后，我们应用多种学习分类器来区分恒星子类，包括年轻恒星天体（YSOs）、富碳渐近巨星支（CAGB）、富氧渐近巨星支星（OAGB）、红超巨星（RSG）与后渐近巨星支星。我们已对约 700 个此类源进行了分类。需强调的是，尽管所用训练光谱数据有限，部分模型的准确率与学习曲线仍表现优异。因此，支持向量分类器（SVC）是该有限数据集上最准确的分类器。
引用
@article{arxiv.2211.03403,
title = {Spectral identification and classification of dusty stellar sources using spectroscopic and multiwavelength observations through machine learning},
author = {Sepideh Ghaziasgar and Amirhossein Masoudnezhad and Atefeh Javadi and Jacco Th. van Loon and Habib G. Khosroshahi and Negin Khosravaninezhad},
journal= {arXiv preprint arXiv:2211.03403},
year = {2025}
}
备注
6 pages, 3 figures, 3 tables, Proceeding of IAU Symposium 368: "Machine Learning in Astronomy: Possibilities and Pitfalls", to be published in the "IAU Proceedings Series"