Dec, 2017

使用深度学习识别系外行星：Kepler-80 周围的五个共振系行星链和 Kepler-90 周围的第八个行星

PDF
TL;DR文章介绍了使用深度学习对开普勒探测器发现的潜在系外行星信号进行分类鉴别的方法，并应用到已知多行星系统中发现两个新的行星，其中一个则是在 Kepler-80 周围的五个行星的 3 体 - 拉普拉斯共振链中。
kepler space telescopeexoplanetsdeep learningfalse positivemulti-planet systems
发现论文，激发创造
  • 利用机器学习技术识别和分类系外行星

    本文探讨了如何使用深度学习算法和 Siamese 结构将 Kepler 太空望远镜以及其扩展任务 K2 的数据进行分类，结果表明 Siamese 算法在低数据情况下表现良好，并可用于识别恒星周围行星的存在。

    May, 2023

  • 浅层凌星 - 深度学习 I：探测系外行星周期性凌星的深度学习可行性研究

    使用深度神经网络解决红色（相关）噪声问题，以便更好地侦测未来行星探测空间任务（如 PLATO）中的可居住星球。

    Nov, 2017

  • 利用机器学习和机载航天器诊断技术在克卫星上进行单次转运检测

    通过使用一组卷积神经网络和开普勒宇宙飞船的诊断工具，我们提出了一种新的技术，可以在光度曲线中对行星凌星进行分类，并且可以保持高达 80％的准确度，对高达 800 天的轨道周期的行星凌星进行定位和周期恢复。

    Mar, 2024

  • ExoplANNET：一种用于检测和识别径向速度数据中行星信号的深度学习算法

    本文探究了使用神经网络在恒星本身相关噪声影响下的径向速度法中替代传统测试方法的可行性，并取得了较好的结果。通过使用合成的数据，该算法的虚阳性误差降低了 28％，并且其执行速度比传统方法快五个数量级。

    Mar, 2023

  • 一维卷积神经网络检测行星凌变

    开发了一个能够检测来自不同望远镜和调查中的光曲线中的短时（transits）的人工神经网络模型，结果表明 1D CNN 是处理非相位折叠的光曲线具有短时的良好选择，并减少了传统分析所需要的时间。

    Dec, 2023

  • 不是行星：使用机器学习从行星猎人 TESS 中去除虚假阳性

    使用一维卷积神经网络（CNN）从潜在行星候选者中将掩星双星和其他假阳性分离出来，从而减少需要人工审核的光曲线数量。该方法可将需要手动审核的光曲线数量减少三分之一，并且对行星候选者的误分类非常小。

    May, 2024

  • 使用一维卷积神经网络计算行星凌星参数

    通过使用模拟的光度曲线注入了类似于行星运动信号的两个一维卷积神经网络模型，在真实数据测试中证明了这些模型能够从恒星去除趋势的光度曲线中表征恒星行星的性质，并且相较于当前的探测和描述算法，降低了所需时间和计算成本。

    Feb, 2024

  • 基于机器学习的 Gaia 天体测量外行星轨道的识别

    通过机器学习方法，利用 Gaia 的星动轨道解决方案，确定太阳附近约 500 光年范围内的恒星系中可能的太阳系外行星和棕矮星伴星，提出 22 个最佳候选对象，其中四个是太阳系外行星候选，另外五个是非常大的棕矮星或非常低质量的恒星。

    Apr, 2024

  • ExoSGAN 和 ExoACGAN：使用对抗训练算法进行太阳系外行星探测

    本研究使用半监督生成对抗网络和辅助分类器生成对抗网络来检测 K2 数据中的瞬变系外行星，发现这些模型的使用对于瞬变系外行星的辨别非常有帮助，同时我们的技术可提高数据分类的效率，解决数据标记的困难问题。

    Jul, 2022

  • 基于深度学习的径向速度法改进地球类行星探测

    通过使用卷积神经网络在光谱水平有效模拟恒星活动信号，提高了地球类行星的检测准确性，并且实现了更低的检测阈值。

    May, 2024