Классификация звезда-галактика-АЯГ и измерение красного смещения до объектов в полях точечных рентгеновских источников каталога 400d
Мещеряков Александр Валерьевич
Институт космических исследований РАН
Выступление на HEA-2014
С.В. Герасимов (МГУ), В.В.Глазкова (МГУ), Р.А.Буренин (ИКИ), Г.А.Хорунжев (ИКИ)
Глубина и угловое разрешение для точечных источников в каталоге 400d, полу- ченном по данным наведений спутника РОСАТ, близки к значениям которые будут достигнуты в обзоре всего неба eRosita/С (при этом площадь 400d примерно в 100 раз меньше ожидаемой площади обзора eRosita), что делает 400d удобным полигоном для отработки методов анализа данных, ожидаемых в рамках обзора неба СРГ . Одной из основных задач анализа данных станет классификация рентгеновских источников из обзора всего неба eRosita. В настоящей работе предлагается использовать высокоточные методы машинного обучения на основе леса случайных деревьев решений (Random Forest) и градиентного бустинга (Gradient Boosting) для классиикации звезда-галактика-АЯГ и измерения красных смещений до объектов в полях точечных рентгеновских источников каталога 400d по данным широкополосной фотометрии SDSS и WISE. В качестве тренировочной выборки объектов нами используется каталог 2.4 млн. звезд, галактик и активных ядер галактик (АЯГ) из спектрального обзора SDSS DR10. Полученные результаты показывают высокую надежность предложенного метода классификации небесных объектов, как по основным классам (точность классификации лучше 92%), так и по более детальным спектральным подклассам. Полученная точность определения красного смещения АЯГ составляет σz . <~ 0.25 для объектов на красном смещении z < 3.
Другие доклады автора
2024Машинное обучение и СРГ/еРОЗИТА: результаты и перспективы уточнения photo-z рентгеновских квазаров
2023Применение машинного обучения для определения физических характеристик рентгеновских источников: результаты для СРГ/еРОЗИТА
2022Расширенный каталог объектов Сюняева-Зельдовича по данным спутника PLANCK с использованием глубокого обучения
2021Фотометрическая классификация и измерения красных смещений рентгеновских источников СРГ/еРозита при помощи машинного обучения
2020Отождествления, классификация и измерение красных смещений рентгеновских источников при помощи системы SRGz
2019SRGz: probabilistic photo-z measurements for X-ray sources in the SRG surveys
2018Измерение вероятностных фотометрических красных смещений рентгеновских источников методами машинного обучения
2018Применение алгоритмов глубокого обучения для автоматической морфологической классификации галактик
2016Распределенная обработка больших массивов изображений небесных обзоров при помощи Apache Spark
2016Распределенный метод сопоставления астрономических каталогов на платформе Apache Spark
2016Анализ больших массивов астрономических данных в облаке
2016Измерение фотометрических красных смещений галактик скоплений галактик и квазаров по данным обзоров SDSS и WISE
2015Измерение красных смещений скоплений галактик z<0.45 с высокой точностью по фотометрическим данным SDSS