机器学习在费米耀变体研究中的应用

作     者：朱惊天 

作者单位：广州大学 

学位级别：硕士

导师姓名：樊军辉

授予年度：2020年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 070401[理学-天体物理] 0835[工学-软件工程] 0704[理学-天文学] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：活动星系核 耀变体 蝎虎天体 平谱射电类星体 TeV源 机器学习 分类 

摘      要：耀变体是活动星系核的一个最受关注的子类,其相对论性喷流与观测者视线夹角较小,因此展现出一些极端的特征,如快速且大幅度的光变,高光度,高偏振,视超光速运动,强烈的高能伽马射线辐射等。根据光学发射线强弱,耀变体分为蝎虎天体（BL Lacertae objects,BL Lacs）和平谱射电类星体（Flat Spectram Radio Quasuars,FSRQs）。费米大视场望远镜（Fermi/LAT）上天以来,已经发现了数千个耀变体。在观测到的耀变体中,HESS等地面切伦科夫望远镜（IACT）发现了 73个具有TeV辐射的耀变体,其中71个被Fermi/LAT探测到。显然,扩大TeV源样本对于研究耀变体的甚高能伽马辐射是很有必要的。另外,有很多耀变体由于缺乏光学光谱信息,不能确定其分类是BL Lacs或者FSRQs,它们在费米源表中被称为BCUs,在5BZCAT表中被称为BZUs。对BCUs/BZUs的光学分类进行评估,对于理解耀变体分类有一定的科学意义。因此,本文中,我们将使用监督机器学习方法,做两方面的工作,一方面是从费米耀变体中寻找TeV耀变体候选体,另一方面是评估一些BZUs的光学分类。本文结构安排如下:第一章介绍活动星系核的观测和分类、耀变体的高能辐射以及BCUs/BZUs的研究现况;第二章介绍监督机器学习方法;第三章和第四章主要介绍本文工作内容,具体描述如下:第三章中,我们从3LAC清洁样本（3LAC clean sample）中收集了 418个耀变体,得到了它们的红移、多波段观测数据等12个参数。使用监督机器学习方法中的特征选择（Feature Selection）方法,我们得到了区分TeV耀变体和非TeV耀变体最重要的3个参数,分别是X-ray流量密度（logfx）、γ-ray流量密度（logfγ1）以及光度距离logdL,然后,用逻辑斯蒂回归（Logistic regression,LR）分类器找到了 TeV耀变体和非TeV耀变体在3参数空间中的分类标准,用于418个费米耀变体,得到了 35个TeV耀变体候选者。并得到 了一个经验判别公式:logit=2.753 logfx+2.582 logfγ1-2.714 logdL+179.8,若logit0,则该源为TeV耀变体候选体的概率超过50%。我们还尝试拟合了 35个TeV的能谱（SEDs）,发现35个候选体中有12个可以被高海拔宇宙线观测站（LHAASO）探测到。第四章中,我们从5BZCAT中收集了 1425个BL Lacs、1909个FSRQs和227个BZUs,获得了它们的红移、多波段观测数据等8个参数。使用特征选择和特征提取（Feature Extraction）方法,寻找最优参数空间。然后用4种监督机器学习分类器,找到了 BL Lacs和FSRQs在最优参数空间中的分类标准,并将之用于227个BZUs,获得了 33个BL Lacs候选体和119个FSRQs候选体,仍有75个BZUs没有被成功分类。