利用人工神经网络对低金属丰度恒星进行三维光谱分类
天体物理学
2009-11-06 v1
摘要
我们探索了人工神经网络（ANNs）在估算银河系F型和G型恒星大气参数（Teff, logg, [Fe/H]）中的应用。ANNs输入的是中等分辨率（~1-2 Å）的非流量定标光谱观测数据。基于一个包含279颗先前有高分辨率金属丰度测定以及一组（外部）温度和表面重力估算值的样本，我们的ANNs能够在4250 <= Teff <= 6500 K范围内以约135-150 K的精度预测Teff，在1.0 <= logg <= 5.0 dex范围内以约0.25-0.30 dex的精度预测logg，在-4.0 <= [Fe/H] <= +0.3范围内以约0.15-0.20 dex的精度预测[Fe/H]。这样的精度可与通过精细分析高分辨率光谱获得的结果相媲美。值得注意的是，ANNs能够在没有考虑这些恒星测光信息的情况下获得这些结果。我们还探讨了信噪比（S/N）对ANNs性能的影响，并得出结论：当使用在具有相应S/N的光谱上训练的ANNs进行分析时，即使恒星光谱的S/N低至13，也能提取出精度相似的物理参数估计值。综合来看，这些结果表明ANN方法对于当前和未来大规模光谱巡天应具有首要重要性。
引用
@article{arxiv.astro-ph/0107409,
title = {Three-Dimensional Spectral Classification of Low-Metallicity Stars Using Artificial Neural Networks},
author = {Shawn Snider and Carlos Allende Prieto and Ted von Hippel and Timothy C. Beers and Christopher Sneden and Yuan Qu and and Silvia Rossi},
journal= {arXiv preprint arXiv:astro-ph/0107409},
year = {2009}
}
备注
51 pages, 11 eps figures, uses aastex; to appear in ApJ