一种星系形态分类的新方法

在天文学研究领域,星系的分类一直是一个热点和难点问题。近年来有学者将机器学习应用于星系形态的简单分类,但在分类过程中出现特征选择困难、特征遗漏、分类器选择困难等一系列问题。星系在视觉形态上可以分为椭圆星系、旋涡星系、透镜星系以及不规则星系。针对SDSS DR16,Galaxy Zoo2和EFIGI目录中星系的测光图像,提出了一种分类精度更高的星系形态分类(Galaxy Morphological Classification,GMC)方法。首先对图像进行剪裁、去噪,然后采用旋转、平移、缩放等方法进行数据增强,最后搭建了星系形态分类网络GMC-net对图像进行分类。从实验结果来看,旋涡星系、椭圆星系、透镜星系以及不规则星系分类精确率分别为98.29%,98.49%,99.18%和99.91%,召回率分别为98.44%,99.03%,98.89%和99.34%;对单独来自EFIGI目录中4种形态星系的分类准确率也达到了99.34%。实验结果表明,星系形态分类相较于其他分类方法表现更好,可以有效地用于星系的形态分类。