Aug, 2013

使用 LINEAR 探索可变天空。III. 周期性光变曲线的分类

PDF
TL;DR通过对 10,000 平方度北部天空的 LINEAR 巡天数据进行 SDSS 光度校正，我们选择了大约 200,000 个最有可能的候选变量，并使用分阶段的灯光曲线对大约 7,000 个定期变量进行了目测确认和分类。最终的周期性 LINEAR 变量样本主要由 3,900 个 RR Lyrae 星和 2,700 个各亚型的掩星双星组成，包括一小部分相对罕见的红巨星分支星和 SX Phoenicis 恒星等。
periodic variable starslinear surveyphotometryrr lyrae starseclipsing binary stars
发现论文，激发创造
  • 一个用于自动分类周期变量星的软件包

    使用机器学习技术对光学光变曲线进行分类，并将其分为 Delta Scuti、RR Lyrae、Cepheid、Type II Cepheid、eclipsing binary、long-period variable、non-variable 等七大类及其子类，分类准确率最高可达 0.98。

    Dec, 2015

  • 卡塔利娜巡天周期变星目录

    在 Catalina Surveys Data Release-1 中，我们发现并分析了 542 万个变星候选者中的约 47,000 个周期变星，包括 RR Lyrae 星。通过与其他调查交叉匹配，我们发现此调查区域中 >90％ 的～8,000 个已知周期变量得到了恢复。我们追踪了萨吉塔里斯潮汐流在银河暗物质中的路径，并发现了很多长周期变星与该系统有很大的关联性。

    May, 2014

  • Wide-field Infrared Survey Explorer 探测到的周期性变星的自动分类

    通过分析 WISE 全任务单次曝光源数据库中先前的光变调查（MACHO、GCVS 和 ASAS）中标识的 8273 个变星的光变曲线，利用傅里叶分解技术并结合其他周期性光变特征训练一个基于随机森林（RF）方法的机器学习分类器，成功分类三种最常见的 WISE 变星类型：Algols，RR Lyrae 和 W Ursae Majoris，分类效率分别为 80.7％、82.7％ 和 84.5％。

    Feb, 2014

  • ASAS-SN 可变星目录 II：412,000 个已知变星的统一分类

    采用随机森林分类器对 ASAS-SN V-band 光曲线进行同质化分析，重新对不确定星源和新变化组进行了分类和归类，同时提供了变星数据库和一些罕见的变量以及瞬变源的光曲线。

    Sep, 2018

  • 在周期变星目录中发现异常光变曲线

    提出了一种在定期光曲线目录中发现异常值的方法，使用交叉相关作为两个单独的光曲线之间 “相似性” 的度量，然后将平均 “相似性” 最低的光曲线分类为异常值，用 MACHO 和 OGLE 计划的已知类型的变量星目录进行了分析，证明该方法正确地将不属于这些目录的光曲线识别为异常值 ，展示了如何将该方法扩展到未来可用的大型数据集，例如来自 Pan-STARRS 和 LSST 的数据集。

    May, 2005

  • Gaia 数据第二版：长周期变量候选者第一份 Gaia 目录

    该研究介绍了 Gaia DR2 卫星提供的全天观测数据，通过对 550,737 颗变星的分析得到，其中 151,761 颗为长周期变星，且其中约五分之一为红巨星 Mira。研究者从样本对比和观测数据分析中，对该星系的变星类型和年龄做了初步的定量分析，其中提出了关于视差相关的长周期变星属性的注意事项，分析表明该数据与文献中的数据具有较高的一致性。

    May, 2018

  • ASAS-SN 变星目录 III：TESS 南方连续观察区内的变星

    本文介绍了 All-Sky Automated Survey for Supernovae 和 Transiting Exoplanet Survey Satellite 结合使用所获得的恒星光变曲线数据，并向读者提供了这些数据的在线资源库。

    Dec, 2018

  • TESS 全幅图像光变曲线中的短周期变量通过卷积神经网络识别

    通过卷积神经网络，该论文提供了一种高效、高性能的方法，能够在大规模存档搜索中进行预测和识别短周期变量，从而揭示了短周期主序双星和 Delta Scuti 星等两个主要种群的特征。

    Feb, 2024

  • 变星的深度多次观测分类

    本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

    Oct, 2018

  • 利用稀疏嘈杂的时间序列数据进行机器学习分类变量星

    本文介绍了一种基于现代机器学习技术的可变星分类方法，该方法利用光变曲线的特征进行无监督分类，并通过随机森林分类器获得了 22.8％的总体分类错误率，在发现脉动变星和掩星系统方面表现出极高的效率。

    Jan, 2011