ASAS-SN is a survey that monitors the whole sky for supernovae using V-band light curves and presents a catalog of 66,179 variable stars, including periodic and irregular ones.

Mar, 2018

使用 All-Sky Automated Survey for Supernovae 技术，对南半球的 3001 万个星体进行 V 波段光变曲线观测，检测到 220,000 多个变量，包括新发现的 88300 个变量，这些数据将被用于建立变量星数据库。

Jul, 2019

本文介绍了 All-Sky Automated Survey for Supernovae 和 Transiting Exoplanet Survey Satellite 结合使用所获得的恒星光变曲线数据，并向读者提供了这些数据的在线资源库。

Dec, 2018

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

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

使用机器学习技术对光学光变曲线进行分类，并将其分为 Delta Scuti、RR Lyrae、Cepheid、Type II Cepheid、eclipsing binary、long-period variable、non-variable 等七大类及其子类，分类准确率最高可达 0.98。

Dec, 2015

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

该研究介绍了 Gaia DR2 卫星提供的全天观测数据，通过对 550,737 颗变星的分析得到，其中 151,761 颗为长周期变星，且其中约五分之一为红巨星 Mira。研究者从样本对比和观测数据分析中，对该星系的变星类型和年龄做了初步的定量分析，其中提出了关于视差相关的长周期变星属性的注意事项，分析表明该数据与文献中的数据具有较高的一致性。

May, 2018

我们开发了一个深度神经网络 (DNN)，用于获取全天自动超新星巡天 (ASAS-SN) 中饱和恒星的光度。该 DNN 可以在 g=4 到 14 mag 之间获得无偏光度，饱和 (g<11.5 mag) 恒星的离散度 (15%-85% 中位数附近的 1sigma 范围) 为 0.12 mag。更重要的是，非变化的饱和恒星的光变曲线仅具有中位数离散度为 0.037 mag。DNN 的光变曲线在许多情况下明显优于标准 ASAS-SN 管道所提供的曲线。虽然该网络仅使用 ASAS-SN 的 20 个相机之一的 g 波段数据进行训练，但初步实验表明其也适用于任何相机和早期 ASAS-SN 的 V 波段数据。主要问题似乎与 ASAS-SN 数据降噪管道中关于饱和恒星的可纠正问题有关，而非 DNN 本身。该方法已作为全天自动超新星巡天 Sky Patrol v1.0 上的光变曲线选项公开提供。

Apr, 2024