罗马5期耀变体多波段目录BZUs的分类*

2021-01-19朱惊天樊军辉蔡金庭

天文研究与技术 2021年1期

朱惊天，樊军辉，蔡金庭

(1. 广州大学天体物理中心，广东广州 510006；2. 广东省高校天文观测与技术重点实验室，广东广州 510006；3. 广州天文观测与技术重点实验室，广东广州 510006)

5BZCAT[7], 3FGL[8]和4FGL[9]源表均包含1 000多个耀变体以及它们的红移、同步峰频、多波段流量/流量密度、多波段有效谱指数等观测数据，这些源表为研究耀变体的性质提供了大样本。同时，这些源表中也包含了数百个未知类型的耀变体。对未知类型的耀变体的分类已经引起不少学者的兴趣，随着机器学习(Machine Learning, ML)方法在天文领域的广泛应用[10-12]，很多未知类型的耀变体的分类工作也使用了这些方法[13-19]。例如，Fermi/LAT 3期活动星系核源表(3LAC)[20]中的高置信度样本(3LAC Clean Sample)共有402个未知类型的耀变体，文[15]对其中无缺失数据的400个未知类型的耀变体进行了分类，他们用了4种机器学习分类方法，综合这些分类器的结果，获得了246个蝎虎天体候选体和74个平谱射电类星体候选体；Fermi/LAT 4期源表(4FGL)中共有1 312个未知类型的耀变体，文[16]用3种机器学习分类方法对它们进行分类，同时考虑3种分类方法的结果，得到724个蝎虎天体候选体和332个平谱射电类星体候选体，仍有256个未知类型的耀变体没有给出明确的光学分类。为了对罗马5期耀变体多波段目录中不确定类型的耀变体的光学分类进行评估，本文使用支持向量机、随机森林、集成学习和多层感知机这4种机器学习分类方法，将不确定类型的耀变体分类为蝎虎天体候选体和平谱射电类星体候选体。