Dec, 2017

用于分类、检测和预测斯隆数字天区 Stripe 82 类星体光度红移的深度学习方法

PDF
TL;DR本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。
convolutional neural networkquasar classificationphotometric redshiftsvariable objectslarge synoptic survey telescope
发现论文，激发创造
  • 当谱建模遇上卷积网络：一种在多波段成像数据中发现复合再电离时代透镜类星体的方法

    本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

    Nov, 2022

  • 深度神经网络实现人类水平的光谱分类和红移测量

    QuasarNET 是一款深度卷积神经网络，可分类和估算星系物理光谱的红移。该网络解决了光谱学的两个问题：存在或不存在波长决定样本，其频移程度则决定其红移，从而极大地减少了线的混淆和红移失败。

    Aug, 2018

  • 基于卷积神经网络的 Lyman 断层星系分类与 DESI 中红移回归

    利用基于卷积神经网络 (CNN) 的 QuasarNET 模型和数据增强技术，本研究通过确定 Laman Break Galaxies (LBGs) 是否是 LBGs 以及通过红移确定它们与地球的距离，进而将这些星系放置在 DESI 的 3D 地图上，提高模型性能并实现了高达 94% 的平均得分。

    Jun, 2024

  • 基于深度学习的光度红移估计

    本文介绍了一种基于卷积网络和混合密度网络的新方法，并使用 SDSS（DR9）中的数据进行实验，证明此方法相比之前的方法具有更好的性能，可以预测任何类型数据（例如星系、类星体、恒星）的物理参数概率密度函数，是解决基于成像数据的概率性回归问题的一种通用方法。

    Jun, 2017

  • 基于深度学习的 Ia 型超新星光变曲线到红移估计的转换（Photo-zSNthesis）

    采用卷积神经网络基于多波段超新星光变曲线预测完整的红移概率分布以解决光谱资源不足的问题，并在模拟数据和观测数据中均显示出比现有方法更好的性能，最大化了光度超新星样本的宇宙学约束能力。

    May, 2023

  • 通过组合神经网络简化多波段映射中的透镜状类星体鉴定

    本研究使用卷积神经网络和深度学习管道自动检测强透镜效应，并在多波段图像中检测到了可以用于光谱学确认的 161 个候选源。

    Jul, 2023

  • 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

  • 使用深度卷积神经网络进行星系分类

    本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

    Aug, 2016

  • 深度学习赛弧谱线以探索和描述阻尼莱曼 α 系统

    本篇论文使用多目标学习的卷积神经网络来搜寻和表征夸克星光谱中的强氢 Lyman-Alpha 吸收，并完成分类和定量测量。该算法能够准确地预测 HI 吸收的存在性，并估计相应的 redshift zabs 和 HI 柱密度 NHI，并使用自定义的训练集进行模型训练，最后在 SDSS-DR7 和 BOSS 数据集中应用，证明了深度学习在天文光谱测量方面应用的有效性。

    Sep, 2017

  • 使用神经网络估算红移分布：CFHTLenS 应用

    利用神经网络来估计星系样本的红移分布，得出它能够获得每个星系的概率密度函数，并通过 CFHTLenS 上的 58714 个星系进行实验，证明该方法在使用 5、4 或 3 个光学波段信息时能够提供真实 NZ 的极佳表示，并研究了训练目标样本数量不足和样本数据大小不一致的情况。

    Dec, 2013