随机森林作为选择和发现高红移类星体的可行方法
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。
Dec, 2017
本文介绍使用 Pan-STARRS1 测量的夸克星提供了更多在宇宙早期的信息,此研究引入大规模调查和多波段数据,并且更新了选择方法;通过这种方法共发现了 124 个夸克星,而且样本光度覆盖范围约为 20 倍左右,这样的选择扩大了之前处理个体的研究转向系统性的巡天,支持更广泛的研究。
Aug, 2016
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
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
该方法提出了使用可变对象的 SDSS Stripe 82 光曲线数据分离类星体和其他可变点源的方法,并通过阻尼随机游走模型的结构函数参数化来描述类星体的变异性,论文表明可变性的选择方法在选出类星体的过程中具有重要作用。
Sep, 2010
在该文章中,作者使用来自多源的光学、近红外和中红外光学深度数据搜索赤化时期的类星体,发现了六个新的亮类星体及一个具有 $z=7.02$ 的亮且红的新类星体,三次观测和发现了这些候选对象。
Nov, 2018
该研究使用 Random Forest 算法通过 SN 颜色对 LSST 中的 SNe 进行了分类和红移估计,并成功获得可靠的光度红移估计,从而证明该方法可用于提高 SNe 在宇宙学探针中的能力。
Jan, 2017
本文基于 DESI Legacy、UHS 和 WISE 等可见光和近红外成像调查,通过更新的候选者筛选过程,发现 16 个光度函数为 $φ(L_{1450})∝L_{1450}^{-2.35}$ 的类星体,测量了宇宙演化、超大质量黑洞成长和光度函数等性质。
Oct, 2018
通过在 5.8≤z≤6.5 时期的 13 个类星体中寻找具有极小邻域带的年轻类星体并测量它们的参数,揭示早期宇宙中超大质量黑洞的形成和类星体光度的信息。
Feb, 2020
本文介绍了一种新的基于机器学习的自动分类方法,旨在找到尽可能多的重力透镜类星体,保持目录尽可能完整性,同时最小化恒星污染。通过对 KiDS 数据的分类与筛选,我们建立并公开了 KiDS Bright EXtraGalactic Objects catalog, 并挑选出 12 个最可靠的重力透镜类星体候选者,展示它们在目录中的潜力。
Jun, 2019