استفاده از روش اصلاح شده dbscan-gmm به منظور بهینه­ سازی احتمال عضویت اعضای خوشه­ های ستاره ­ای باز با استفاده از داده ­های gaia dr3

عضویابی خوشه‌های ستاره‌ای باز با احتمال عضویت هرچه بیشتر به لطف روش‌های ترکیبی یادگیری ماشین و داده‌های دقیق gaia dr3 بیش از گذشته میسر شده است. یکی از روش‌های قدرتمند در این حوزه، روش ترکیبی dbscan-gmm است. چرا که dbscan در حذف ستاره‌های میدان و gmm در محاسبه احتمال عضویت ستاره‌های خوشه راندمان بالایی دارند. از آنجا که محاسبه احتمال عضویت توسط gmm به شدت به خروجی dbscan وابسته است و dbscan حساسیت بالایی نسبت به دو پارامتر آزاد شعاع همسایگی و تعداد همسایه دارد؛ تعیین مقادیر مناسب برای این دو پارامتر با هدف بیشینه کردن احتمال عضویت در gmm هدف اصلی این کار است. برای اعتبارسنجی از 9 خوشه که در فاصله، سن و تعداد اعضا بازه گسترده‌ای را پوشش می‌دهند استفاده شده است. از مقایسه نتایج حاصل با سایر کارها، افزایش احتمال عضویت اعضا مشاهده می‌شود. همچنین cmdهای تمیز حاصله و چگالی پس زمینه بسیار ناچیز در بررسی پروفایل‌های چگالی سطح کینگ نشان از قدرت بالای روش در حذف آلودگی‌های میدان دارد.