当前的意见

数量:11 (8)DOI: 10.37532 / 2319 - 9822.2022.11 .231 (8)

• 查看PDF
• 下载

机器学习的分类和特性预测形态的恒星,星系、类星体和星系

*通信:

安吉拉·格雷罗州主编,《太空探索、格鲁吉亚、电子邮件:spaceexploration@scholarres.org

文摘

现在手动识别天体非常无聊,这是通常的方法很长一段在一个时代不断补充数据。宇宙星系恒星的集合点。我们可以学到很多关于我们自己的星系通过这些其他星系的研究和分析。星系的分类和特性预测形态、深卷积神经网络结构建议。基于这些属性,星系可分为11个形态类。两类预测模式和其他星系特征prediction-make建议的体系结构。从SDSS LAMOST调查和使用信息,以及光谱数据分析,他们类别天体到星系,恒星,类星体。分类工作,基线技术比较,和增强,优化分类进一步调查。

介绍

研究天体事件和对象是天文学的科学学科的重点。天文学和天体物理学现在创建新技术的关键。为了更好的理解它进化发现解决未解决的问题,每个天体对象必须分成不同的类型。每天大约有一百万新的天体发现,因此提取相关信息,需要巨大的处理资源。计划工作的主要目标是归类天文物体根据其光谱和光度学像星系,恒星,和类星体,作为预测的基础属性。一颗恒星的气体是一个出色的球的引力束缚在一起,主要由氢和氦组成的。恒星的核心发生核聚变,热,光,和跟踪数量的更重的元素除了支持重力。这些事件对光谱数据产生影响。一个巨大的恒星、气体和尘埃的直径10000 - 100000光年和数十亿的恒星被称为一个星系。星系的星系核引力连接到星星。太阳是银河系引力连接。最有活力的、精力充沛的活动星系核(AGN)在宇宙中,类星体是由超级巨大的黑洞,引用:格雷罗州。机器学习形态的分类和特性预测恒星,星系、类星体和星系,J空间Explor.2022;11 (8).231have masses between millions and tens of billions of solar masses and are encircled by gaseous accretion discs. Highredshift sources of electromagnetic energy, such as radio waves and visible light, have been shown to resemble stars more than more distant sources like galaxies. These quasars can have 100 times the brightness of the Milky Way. Galaxy Astronomers use a technique called morphological classification to categories galaxies according to how they look to the naked eye. According to their morphologies, galaxies may be categorized using a number of different systems. Studying the types and characteristics of galaxies is important because it provides important hints about the beginning and progression of the cosmos. Understanding the classification of a galaxy is essential for understanding the进化的星系和宇宙的研究。帮助天体物理学家在测试假说和新发现的物理驱动过程指导星系,恒星的形成,和研究宇宙,银河形态进行分类是巨大的数据库的数据。在过去,星系分类涉及视觉检查的2 d图像星系和分类根据他们出现了。天体物理学家的分类被视为一个长期的目标。星系的分类,然而,已被证明是具有挑战性的和不准确的挑战自然星系和图像的质量。标准笔记本电脑视觉经常使用卷积的过程,尤其是对降噪和边缘识别。它绝对有能力培养更深,更大、更复杂的模型,因为显著上升的过程,内存大小,以及缓解强大的gpu和庞大的数据集分类星系根据他们的各种形态和定义他们的特征。这项研究提供了一个深入的解释和分析的光谱数据聚集SDSS LAMOST调查和使用多个机器学习模型应用于星系、恒星和类星体(GSQ)分类。分析了几种方法的有效性通过这个彻底analysi分类天体

结论

在这部作品中,参数的光谱数据深入分析,并全面检查的影响因素对天文学提供。随机森林分类器和XG提高执行更好的比任何其他同行文学在天文物体的分类,后者在一定程度上改善性能。收集到的csv数据彻底分析和清洁在这个研究。交叉配血利用ra-dec值从csv文件用于检索的图像数据,然后预处理和图片来删除任何错误的样本。独特性是同时在两个模型的组合类别银河对象,进一步定义其特点。未来的研究将扩大在这个调查调查更深入分析这些星系利用的处理能力机器学习技术。可以看看天体被指定为星系详细,分类根据其形态属性,描述新的形态学特征。的对象指定为明星可以分为相应的光谱分类。这种技术可能是一个重要的工具在分析新,巨大的数据,新推出的詹姆斯韦伯太空望远镜将生产,帮助我们更好地理解的本质不同的星系从一个位置数千光年。