本研究聚焦于使用径向基函数支持向量机算法对小行星轨道进行分类,研究结果表明这种方法在数据集方面效率和准确性均较好,并给出最佳参数设置,研究强调了使用机器学习技术分类小行星轨道的重要性及该算法的有效性。
Jun, 2023
通过比较分析法和机器学习方法,本研究建立了一个数据集,其中包含了大约三百万种不同时间和燃料优化控制问题的传输方式,对于长传输,机器学习方法显示出更好的性能,这对于在小行星带中的任务机会的有效探索具有重要意义。
May, 2024
使用大规模多样性的训练集和经过精心选择的基于数值积分的 TNO 轨道动力学数据特征,我们提出了一种改进的监督式机器学习分类器,其返回结果与人工分类器相匹配的频率为 98%,与动力学相关的分类为 99.7%。这种分类器比人工分类方法效率更高,将改善观测和建模的 TNO 数据分类。
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
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
太阳系小天体的科学研究最终从对这些天体的搜索开始。本章对使用机器学习技术在天文图像中寻找移动天体(包括自然和人造天体)的方法进行了综述。综述包括了传统非机器学习技术的简要回顾以及相对不成熟的机器学习文献中的三大类方法:流迹检测、图像序列中移动点源的检测以及位移堆叠搜索中移动源的检测。在大多数情况下,人们使用卷积神经网络,这是很自然的选择。文章还介绍了两个例子网络:一种我设计的残差网络,用于各种位移堆叠搜索,以及一种专门设计用于预测源亮度及其不确定性的卷积神经网络。在讨论文献和例子网络时,我还讨论了机器学习技术的各种潜在问题,包括过拟合的重要问题。我还讨论了与机器学习技术相关的各种陷阱以及在将机器学习应用于新问题时的最佳实践方法,包括创建稳健的训练集、验证和避免过拟合的训练方法。
该研究使用机器学习方法对 Poincaré 图进行分类,能够更客观准确地分析托卡马克中磁场力线的拓扑结构,帮助等离子物理学家研究磁约束等离子体行为。
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。
Dec, 2017
机器学习、算法、火星轨道、符号回归和开普勒第一定律的发现。
Dec, 2023
通过使用预训练的轨道模型,本文提出了一种改进基于机器学习的空间交通管理任务性能的新方法,称为 ORBERT,并展示了该模型利用大量现有的轨道数据学习有意义的表示,并用于辅助下游任务。作为此方法的概念验证,我们考虑了全相机互测任务,并展示了利用无标签轨道数据可以提高性能,并且该方法尤其对于标记数据有限的任务特别有益。