miniJPAS 巡天类星体选取 III:基于人工神经网络与混合化的分类

本文是 J-PAS 合作组中旨在分类 miniJPAS 中点源这一宏大努力的一部分,这些源在 AEGIS 场约 $\sim$ 1 deg$^2$ 范围内以 60 个光学波段观测。我们开发了两种基于人工神经网络(ANN)的算法,将天体分为四类:恒星、星系、低红移类星体($z < 2.1$)和高红移类星体($z \geq 2.1$)。作为输入,其中一个分类器(ANN$_1$)使用 miniJPAS 流量,另一个(ANN$_2$)使用颜色。ANN 首先使用模拟数据进行训练与测试。我们研究了通过创建混合天体(结合恒星、星系和类星体的流量)来扩充训练集的效果。然而,扩充处理并未改善 ANN 的得分。我们还在一个由 miniJPAS 观测的 SDSS DR12Q 超集的小子集中评估了分类器性能。在模拟测试集中,高红移类星体的 f1-score 对于 ANN$_1$(ANN$_2$)在 $17 < r \leq 20$、$20 < r \leq 22.5$ 和 $22.5 < r \leq 23.6$ 分别为 $0.99$ ($0.99$)、$0.93$ ($0.92$) 和 $0.63$ ($0.57$),其中 $r$ 为 J-PAS rSDSS 波段。在低红移类星体、星系和恒星情形下,我们在相同 r 区间分别达到 $0.97$ ($0.97$)、$0.82$ ($0.79$)、$0.61$ ($0.58$);$0.94$ ($0.94$)、$0.90$ ($0.89$)、$0.81$ ($0.80$);以及 $1.0$ ($1.0$)、$0.96$ ($0.94$)、$0.70$ ($0.52$)。在 SDSS DR12Q 超集 miniJPAS 样本中,加权 f1-score 对主要位于 $20 < r \leq 22.5$ 内的天体达到 0.87 (0.88)。最后,我们估计了 miniJPAS 中作为类星体、星系和恒星的点源数目。