一个用于自动分类周期变量星的软件包
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。
Aug, 2013
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
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
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
本文提出了一种基于深度学习的、端到端的自动变星分类算法,通过将光变曲线转化成矩阵表示来学习特征并实现自动分类,取得了与随机森林分类器相当的准确率,但计算速度更快、可扩展性更强。
Feb, 2020
利用弱监督目标检测模型,通过深度学习框架对光变曲线进行分类,自动提取时间域和频率域数据进行特征提取,以实现对不同尺度和采样间隔的数据处理,达到了 87% 的准确率,无需重新训练或微调,并结合适应性预测确保真实标签覆盖和异常检测算法识别外分布对象,为研究者提供了一个简化设计自定义分类器任务的通用框架。
Nov, 2023
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
利用机器学习深度学习技术,本研究评估了基于深度学习和大型语言模型的自动分类变星光变曲线模型的性能,并在天文学应用中展示了高准确率和多模态模型的发展。
Apr, 2024
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