该研究论文提出了一种数据处理流水线，旨在从未知太空物体的高光谱特征中提取信息，通过单像素图像确定太空物体的物质组成，并使用基于机器学习和最小二乘匹配的技术对物质进行识别和分类，研究了在非理想情况下的物质分类方法的行为，并初步展示了太空物体的鉴定和分类的一些初步结果。

Aug, 2023

通过轻量级特征提取器，本研究采用视觉为基础的接近导航方法解决小行星探测任务中的挑战，提供了在照明变化和仿射变换下具有稳健性的特征提取方法，同时将合成图像和实际数据结合以验证其有效性。通过该研究，取得了在小行星导航领域准确导航和定位的成果，并为未来的研究提供了有价值的见解。

Sep, 2023

本文提供了一种基于 Python 编写的自动化流水线原型来解决 NEAs 检测的问题，以替代人工检测的方法。

Jan, 2019

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

采用高斯过程回归对～LSST~ 发现的新天文现象的光变曲线进行预测，利用增强型决策树分类器实现光度学分类，降低了光谱训练集偏差对分类器的影响。

Jul, 2019

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

利用深度学习方法研究中国空间站天文望远镜（CSST）的星系和星云 / 星团（NSC）图像识别，构建了本地天体图像数据集并设计了一种名为 HR-CelestialNet 的深度学习模型，其在测试集上达到了 89.09% 的准确率，并且在速度上表现出色，具有鲁棒性并能够实现 CSST 巡天任务期间的实时识别。

Dec, 2023

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

采用神经网络对 TUS 荧光望远镜的数据进行分类，证明即使是简单的神经网络结合某些传统数据分析方法也可以在荧光望远镜的数据分类任务中具有高效性。

Jun, 2021

该研究使用公民科学项目的志愿者与卷积神经网络相结合的方法，进行近实时的超新星识别并优于单独使用任一方法，对未来瞬变搜索的发展具有重要意义，尤其是在 LSST 和其他大通量调查的时代。

Jul, 2017