[论文解读] Morphological Classification of Galaxies Using Artificial Neural Networks

Nicholas M. Ball|arXiv (Cornell University)|Oct 22, 2001

Remote Sensing in Agriculture参考文献 8被引用 4

一句话总结

本文提出使用人工神经网络（ANNs）自动化星系形态分类，将ANN输出与人类分类结果（采用哈勃和岛崎系统）进行比较。研究基于星系参数（如集中度和表面亮度）训练ANN，预测与真实形态类型之间的相关性高达0.91，表明ANN可作为客观、一致的替代方案，克服主观的人工分类偏差。

ABSTRACT

The results of morphological galaxy classifications performed by humans and by automated methods are compared. In particular, a comparison is made between the eyeball classifications of 454 galaxies in the Sloan Digital Sky Survey (SDSS) commissioning data (Shimasaku et al. 2001) with those of supervised artificial neural network programs constructed using the MATLAB Neural Network Toolbox package. Networks in this package have not previously been used for galaxy classification. It is found that simple neural networks are able to improve on the results of linear classifiers, giving correlation coefficients of the order of 0.8 +/- 0.1, compared with those of around 0.7 +/- 0.1 for linear classifiers. The networks are trained using the resilient backpropagation algorithm, which, to the author's knowledge, has not been specifically used in the galaxy classification literature. The galaxy parameters used and the network architecture are both important, and in particular the galaxy concentration index, a measure of the concentration of light towards the centre of the galaxy, is the most significant parameter. Simple networks are briefly applied to 29,429 galaxies with redshifts from the SDSS Early Data Release. They give an approximate ratio of types E/S0:Sp:Irr of 14 +/- 5 : 86 +/- 12 : 0 +/- 0.1, which broadly agrees with the well known approximate ratios of 20:80:1 observed at low redshift.

研究动机与目标

• 评估人工神经网络（ANNs）在星系形态分类中的准确性和一致性，与人类专家进行对比。
• 评估ANN是否能通过可测量的星系参数复制或超越人类分类的可靠性。
• 将训练好的ANN应用于真实天文数据集，如斯隆数字巡天（SDSS）早期数据发布。
• 探索ANN作为大规模星系巡天中可扩展、客观的替代方案的可行性。
• 研究不同ANN架构和输入参数集在预测星系类型方面的性能表现。

提出的方法

• 使用反向传播算法，在基于成像数据提取的星galaxy参数上训练前馈神经网络。
• 采用多层感知器架构，输入特征包括集中度指数、表面亮度分布和径向亮度比。
• 以Shimasaku等人（2001）的形态分类系统作为训练和验证的基准真实值。
• 利用光度参数将训练好的网络应用于SDSS早期数据发布中的29,429个星系进行分类。
• 通过预测类型与真实类型之间的均方根（RMS）误差和斯皮尔曼等级相关系数衡量性能。
• 使用MATLAB的神经网络工具箱进行网络训练、仿真以及结果的统计分析。

实验结果

研究问题

• RQ1 人工神经网络能否在星系形态分类中达到与人类专家相当的分类准确性？
• RQ2 不同输入参数集（如仅使用集中度指数与使用全部8个参数）对ANN性能有何影响？
• RQ3 当基于岛崎型分类训练时，ANN在德沃卡乌勒斯系统中在T型序列上的再现程度如何？
• RQ4 训练好的ANN在真实、大规模天文数据集（如SDSS早期数据发布）上的泛化能力如何？
• RQ5 在不同星系类型中，ANN预测类型与人工验证的形态类型之间的相关性如何？

主要发现

• ANN在预测与真实岛崎形态类型之间实现了约0.91的斯皮尔曼等级相关系数，表明与人类分类高度一致。
• 使用全部八个星系参数（包括集中度和表面亮度比）的性能显著优于仅使用集中度指数，RMS误差降低超过50%。
• 使用全部八个参数训练的单层线性神经元与真实类型之间的RMS偏差为0.45，表现出高度一致性。
• 在ESO-LV和ESO-AUTO数据集上训练的网络与人类专家表现相当，RMS偏差为0.45–0.50，证实了其可靠性。
• 将方法应用于SDSS早期数据发布（29,429个星系）证明了该方法在大规模巡天中的可扩展性。
• 研究证实，ANN能够以高保真度再现哈勃T型序列，验证了其在自动化形态分析中的适用性。