基于无监督机器学习算法的零相位角小行星分类学分类
地球与行星天体物理
2022-10-12 v1 天体物理仪器与方法
机器学习
摘要
我们正处于大型星表的时代，因此针对大数据集的统计分析方法（如机器学习）发挥着基础作用。此类巡天的一个例子是Sloan Moving Object Catalog (MOC)，其列出了Sloan视场捕获的所有移动天体的天体测量和测光信息。该望远镜的一大优势在于其五滤光片组，可通过研究小行星颜色进行分类学分析。然而，迄今为止，由天体相位角变化引起的颜色变化未被考虑。本文中，我们通过使用绝对星等进行分类来解决此问题。我们旨在基于小行星的绝对星等产生一种新的分类学分类，其不受相位角变化所引起变异的影响。我们选取了9481颗具有Hg、Hi和Hz绝对星等的小行星，这些星等由Sloan Moving Objects Catalog使用HG12系统计算而得。我们用它们计算了绝对颜色。为执行分类学分类，我们应用了称为模糊C均值的无监督机器学习算法。这是处理不同组未完全分离且存在重叠区域的数据集时有用的软聚类工具。我们选择处理四个主要分类学复合体C、S、X和V，因为它们涵盖了大多数已知光谱特征。我们总共分类了6329颗小行星，其属于所指派分类学类别的概率超过60%，其中162个对象过去曾被模糊分类。通过在半长轴对倾角平面上分析所得样本，我们鉴定出15颗位于Vesta族区域之外的V型小行星候选体。
引用
@article{arxiv.2204.05075,
title = {Zero-phase angle asteroid taxonomy classification using unsupervised machine learning algorithms},
author = {M. Colazo and A. Alvarez-Candal and R. Duffard},
journal= {arXiv preprint arXiv:2204.05075},
year = {2022}
}