ICMLJul, 2022

用卷积神经网络（CNN）方法对超新星时间序列进行分类

PDF
TL;DR利用卷积神经网络方法，通过观测亮度数据，识别显著对象 —— 超新星的时间序列，并通过高斯过程回归平滑波长时间方向，实现了对全周期和截断型超新星的回顾性和实时分类。
supernovaspectroscopicconvolutional neural networkclassificationtime-series
发现论文，激发创造
  • 适应于时间序列的 CNN 用于超新星分类

    本文研究了宇宙学中通过机器学习进行分类的方法，在超新星现象中，使用卷积神经网络进行 I.a 超新星与非 I.a 超新星的二元分类，提出两种卷积神经网络分别应对超新星光变曲线的时间序列和数据稀疏的问题，并达到了当前最先进的水平。

    Jan, 2019

  • 用深度循环神经网络进行超新星分类

    本研究应用深度循环神经网络对超新星进行分类，使用的输入数据是观测时间和滤波器的波长，但也可以包括附加的数据。结果显示能够获得高准确率的结果，但对训练集的要求较高。

    Jun, 2016

  • 一种简单且健壮的使用神经网络进行自动光度分类超新星的方法

    本研究提出了利用神经网络自动光度分类超新星为 Type-Ia 或 non-Ia 的方法，并基于 SNPCC 数据集进行训练和测试，得到了较高的分类准确度。

    Aug, 2012

  • 用监督学习方法在超新星遗产调查中进行 Ia 型超新星的光度分类

    本文介绍一种基于机器学习和光变曲线推导出红移的方法，通过高红移超新星的光度分类实现对它们的分类，研究表明该方法在分类效果方面表现良好。

    Aug, 2016

  • 基于半监督学习的光度超新星分类

    文章介绍了一种半监督机器学习方法，使用扩散映射技术和随机森林分类器对超新星光度学数据进行分类，并可在得到新数据时更新分类模型。通过在 Kessler 等人模拟的数据上验证，该方法在 Ia 型超新星中可以达到 95% 的纯度和 87% 的效率，在 photometric 模拟中的效果较弱，只有 50% 的纯度和 50% 的效率。作者还研究发现，选择更深度的光谱数据可以提高模型的纯度和效率。

    Mar, 2011

  • SuperRAENN：基于 Pan-STARRS1 调查超新星的半监督光变分类流程

    本文介绍了如何利用机器学习方法对恒星爆炸现象进行光度分类，根据采集到的光谱信息，将数据分为五类不同的恒星爆炸类型，这对于未来的天体观测具有重要意义。

    Aug, 2020

  • 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

  • 利用机器学习进行光度超新星分类

    本研究利用机器学习算法实现了基于光度测量的新型超新星分类方法，探讨了不同特征提取方法与机器学习算法的组合方式，并使用模拟光度曲线数据进行测试，发现了一种不需要紅移信息的新方法。

    Mar, 2016

  • 基于来自 Pan-STARRS1 Medium-Deep Survey 的光谱分类超新星的光度分类流水线训练

    通过开发一系列光学曲线分类管道，并将新型参数分析模型拟合到数据中，使用特征提取方法、数据增强策略和机器学习算法预测每个超新星分类。其结果表明，对于所有超新星类型的平均准确率为 90％，平均纯度为 70％，平均完整性为 80％，特别是 Type Ia SNe 和 SLSNe 的最高成功率，Type Ibc SNe 的最低成功率。

    May, 2019

  • 超新星的观测和物理分类

    本文介绍了当前超新星（SNe）的分类方案和分类方法，其中主要包括丰富的 SN 类型和亚型。SN 类别基于其观测特性，包括可见光谱在最大光度附近以及其光度特性，而其长期目标是关联观测定义的类别与特定的物理爆发现象。

    Nov, 2016