Jul, 2017

使用人工和机器综合分类的短暂搜索

PDF
TL;DR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。
transient sourcessupernovaecitizen scienceconvolutional neural networklsst
发现论文，激发创造
  • SDSS 瞬变巡天图像的机器学习分类

    通过基于 PCA 的机器学习算法对短暂成像数据进行分类，可以实现 96% 的完整度和 84% 的准确度，并且在未来的天文调查中将大力发展完全机器化的解决方案。

    Jul, 2014

  • 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

  • 机器学习与超新星宇宙学的未来

    该研究评述了近期关于开发自动化系统以识别和分类超新星，并将其用作宇宙学标准烛光源的努力，强调了机器学习方法在优化大规模调查的科学产出中的基本作用。

    Aug, 2019

  • 使用神经网络在小口径广视场望远镜中进行光学瞬变天体分类

    本文提出了两种基于神经网络的瞬变分类方法，并通过对真实观测数据的测试发现，这两种方法均可以达到超过 94％的分类准确度，但它们对于不同目标具有不同的分类特性。基于这一结果，我们建议使用集成学习方法进一步提高分类准确性至超过 97％。

    Apr, 2019

  • 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

  • 暗能量调查中的自动瞬变识别

    本文利用随机森林的监督学习算法识别光学图像中的点源暴变和移动物体，经过实验表明，这种算法可以大幅度减少肉眼搜索需求，同时只能损失极少的人工注入的 Ia 型超新星事件，可在未来时间域成像调查中指示管道设计决策。

    Apr, 2015

  • 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

  • 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

  • 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

  • 适应于时间序列的 CNN 用于超新星分类

    本文研究了宇宙学中通过机器学习进行分类的方法，在超新星现象中，使用卷积神经网络进行 I.a 超新星与非 I.a 超新星的二元分类，提出两种卷积神经网络分别应对超新星光变曲线的时间序列和数据稀疏的问题，并达到了当前最先进的水平。

    Jan, 2019