Mar, 2016

脉冲星候选体筛选五十年：从简单滤波到新的基于原则的实时分类方法

PDF
TL;DR提出一种新的基于树形机器学习分类器（GH-VFDT）的方法，用于指定候选集并快速挑选更有可能是天体物理起源的脉冲星，此方法可在 15 秒内处理数百万个候选者。由此方法已在 LOTAAS 数据中发现了 20 个新的脉冲星，为 SKA 的数据处理提供了借鉴意义。
pulsarcandidate filtersmachine learning classifierskalotaas
发现论文，激发创造
  • SKA 脉冲星搜寻管线机器学习方法的研究

    该研究通过使用 Mask R-CNN 算法，发现经验驱动和数据驱动算法对于 SKA 脉冲星搜索管道中的候选物体检测至关重要，并成功地在模拟数据集上检测到候选物体。

    Sep, 2022

  • 在天巡成像时代自动发现和分类瞬变和变星

    基于机器学习算法，自动发现具有变化的天空中的实体并进行科学分类的框架，适用于 Palomar 短暂工厂（PTF）调查和其他现代综合成像调查，最近一年的自主操作已导致几个重大的科学结果。

    Jun, 2011

  • 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

  • 使用人工和机器综合分类的短暂搜索

    该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

    Jul, 2017

  • 利用机器学习进行光度超新星分类

    本研究利用机器学习算法实现了基于光度测量的新型超新星分类方法，探讨了不同特征提取方法与机器学习算法的组合方式，并使用模拟光度曲线数据进行测试，发现了一种不需要紅移信息的新方法。

    Mar, 2016

  • 利用机器学习在全景调查成像中进行探索

    本文利用机器学习算法在时间域巡天数据中搜索天体物理学方面的发现，并提供了每个新观测源是可靠变亮源的概率性声明。通过 Palomar 暂现工厂的验证集，证明了该算法的性能好，并且不易受到训练数据错标签的影响。

    Sep, 2012

  • 引力透镜类星体的数据挖掘

    本文介绍了一种基于机器学习技术的搜索重力透镜效应引起的类星体的方法，该方法结合了目录级别信息和像素级别模式识别算法，可使目标 / 候选对象的选择纯度提高到 70％，完整性为 60％

    Oct, 2014

  • 自动概率分类瞬变和变量

    介绍了一种用于原型事件分类系统的方法学，其中涉及贝叶斯和机器学习分类器，自动合并后续观测的反馈，并实现区分或定向后续请求，该方法可能对未来的大型系统观测任务至关重要。

    Feb, 2008

  • 大规模数据流中天文巡天的实时自动分类与决策

    该研究报告介绍了使用机器学习进行天文学突发事件的实时分析和响应的方法，以及将来可能的发展，以应对数据集增长的挑战。

    Jul, 2014

  • Avocado: 借助高斯过程增强光度分类天文新现象

    采用高斯过程回归对～LSST~ 发现的新天文现象的光变曲线进行预测，利用增强型决策树分类器实现光度学分类，降低了光谱训练集偏差对分类器的影响。

    Jul, 2019