使用神经网络分类器筛选具有最精确测光红移的星系
宇宙学与河外天体物理
2021-12-08 v1
摘要
薇拉·C·鲁宾天文台时空遗产巡天（LSST）将产生数十亿个测光红移（photo-），使宇宙学分析能够筛选出具有最精确 photo- 的星系子集。我们在应用定制的神经网络分类器（NNC）以筛选满足 的星系之前，使用 Trees for Photo-Z（TPZ）对具有深 测光的斯巴鲁战略计划（Subaru Strategic Program）星系进行初始红移拟合。我们考虑了从理想情况到使用数据增强以增加训练集中暗弱星系代表性的四种训练集与测试集情形。与使用典型 photo- 不确定度进行的筛选相比，使用 NNC 做出的筛选在离群分数和 photo- 散度（）上取得了显著的进一步改善。例如，当筛选星系样本中最优的三分之一时，与使用 TPZ 的不确定度相比，NNC 的离群率改善了 35%， 改善了 23%。对于宇宙学和星系演化研究，该方法可调整为保留特定样本量或达到期望的 photo- 精度；我们的结果表明，与完整样本相比，在将 降低为二分之一的同时，仅保留五分之一的 photo- 离群值，仍有可能保留超过三分之一的 LSST 类星系样本。对于像 LSST 这样不受散粒噪声限制的天文巡天，该方法可实现更多层析红移区间，从而显著提高星系角功率谱的总信噪比。
引用
@article{arxiv.2108.13260,
title = {Using a Neural Network Classifier to Select Galaxies with the Most Accurate Photometric Redshifts},
author = {Adam Broussard and Eric Gawiser},
journal= {arXiv preprint arXiv:2108.13260},
year = {2021}
}
备注
17 pages, 13 figures; Accepted to ApJ August 2021