基于主成分分析法搭建A型星有效温度的神经网络模型

作     者：李正泽 赵刚 Li Zhengze;Zhao Gang

作者机构：中国科学院光学天文重点实验室(国家天文台)北京100101 中国科学院大学天文与空间科学学院北京100049 

出 版 物：《天文研究与技术》 (Astronomical Research & Technology)

年 卷 期：2020年第17卷第3期

页      面：366-375页

核心收录：

学科分类：07[理学] 070401[理学-天体物理] 0704[理学-天文学] 

基　　金：国家自然科学基金(11988101,11890694) 国家重点研发计划(2019YFA0405502)资助 

主　　题：神经网络 主成分分析 A型星 

摘      要：大天区面积多目标光纤光谱天文望远镜(Large Sky Area Multi-Object Fiber Spectroscopy Telescope,LAMOST,又叫郭守镜望远镜)巡天项目提供了海量恒星光谱数据,DR5数据集中包含大量A型星谱线指数和有效温度的信息。机器学习算法可以发掘数据底层相互关系的神经网络模型,已广泛应用于多个学科。通过使用DR5数据集中的A型星19种谱线指数和有效温度,通过主成分分析法给出了每种谱线指数占整个数据信息的百分比,并以此为基础,选取与有效温度关系最紧密的12种谱线指数,利用有效温度误差小于100 K的数据训练得到有效温度的神经网络回归模型。模型在测试数据集上整体表现较好,程序给出的决定系数R2为0.904,平均绝对误差为58.38 K。对比相关研究的模型,测量准确度有了明显提升。此外,通过建立模型,对有效温度误差大于100 K的原始数据重新进行测量,得到的有效温度绝对误差的平均值有了明显下降;同时DR5数据集中A5型恒星数据缺少有效温度参数,通过模型的测量,对这一部分数据进行了补充。