Feb, 2020

可扩展的端到端循环神经网络用于变星分类

PDF
TL;DR本文提出了一种基于深度学习的、端到端的自动变星分类算法，通过将光变曲线转化成矩阵表示来学习特征并实现自动分类，取得了与随机森林分类器相当的准确率，但计算速度更快、可扩展性更强。
automatic classificationmachine learningdeep learninglight curvesvariable stars
发现论文，激发创造
  • 变星的深度多次观测分类

    本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

    Oct, 2018

  • 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

  • 光度曲线的深度学习分类

    通过对光变曲线进行二维图像表示，并使用基于深度学习的卷积神经网络分类器进行分类，实现了对天体多样化的快速分类。

    Sep, 2017

  • 具有新颖性检测能力的变星深度神经网络分类器

    利用循环神经网络自编码器进行无监督特征提取和双用途评估网络进行监督分类和新颖性检测，从而构建了周期光变曲线分类器，并证明了自编码器和估计网络的同时训练互惠性，取得了更快的自编码器收敛速度、更好的分类和新颖性检测性能，同时估计网络即使在使用预训练自编码器特征进行优化时也可以提供额外的新颖性检测能力。

    May, 2019

  • 深度学习与基于 LLM 的方法应用于恒星光变曲线分类

    利用机器学习深度学习技术，本研究评估了基于深度学习和大型语言模型的自动分类变星光变曲线模型的性能，并在天文学应用中展示了高准确率和多模态模型的发展。

    Apr, 2024

  • 用于不均匀采样变星分类的循环神经网络

    本文介绍了一种基于自编码递归神经网络的自监督分类模型，它通过对光学变星数据的学习提取特征，能够在天文调查中有效地发现和分类变量星和瞬变现象，并可应用于其他无监督任务，例如预测和异常检测。

    Nov, 2017

  • 基于深度学习的目标检测算法识别光变信号。II. 通用光变曲线分类框架

    利用弱监督目标检测模型，通过深度学习框架对光变曲线进行分类，自动提取时间域和频率域数据进行特征提取，以实现对不同尺度和采样间隔的数据处理，达到了 87% 的准确率，无需重新训练或微调，并结合适应性预测确保真实标签覆盖和异常检测算法识别外分布对象，为研究者提供了一个简化设计自定义分类器任务的通用框架。

    Nov, 2023

  • 一个用于自动分类周期变量星的软件包

    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

  • Wide-field Infrared Survey Explorer 探测到的周期性变星的自动分类

    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