Jan, 2024

天体物理 X 射线源的无监督机器学习分类

PDF
TL;DR通过无监督机器学习方法，我们为 Chandra Source Catalog 的源提供了概率分类，并展示了该方法在识别年轻恒星物体的发射以及区分小尺度和大尺度紧凑吸积源方面的成功，为这种概率分类器提供了可解释性。
x-ray detectionsautomatic classificationunsupervised machine learningprobabilistic classesastrophysical hypotheses
发现论文，激发创造
  • 利用监督式机器学习对银河系平面紧凑射电源进行分类

    使用射电和红外图像对银河平面上的紧凑射电源进行分类，训练了两个不同的分类器，通过完全监督的方法获得高分类准确率，两个模型的性能随着添加远红外和谱指数信息而提高。

    Feb, 2024

  • 天文学中的机器学习：实用概述

    本文主要介绍了天文学中大数据和机器学习的应用，重点讲解了监督机器学习和无监督机器学习两种算法，包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面，旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。

    Apr, 2019

  • 无线电图像立方体分类的进展

    本研究概括了机器智能在射电图像分类方面的应用，并聚焦于射电星系形态分类。在射电天文学中，合作制作注释数据集和索引识别到的射电源是必要的。

    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

  • 天文学物体分类的自动聚类算法

    本文研究了多波段数据分类问题，使用了学习向量量化、单层感知器和支持向量机三种机器学习算法，并使用了特征选择技术进行特征重要性评价。结果表明，在特征较少时，学习向量量化和单层感知器具有更好的性能，而在考虑更多特征时，支持向量机具有更好性能。该方法可以用于预选 AGN 候选对象。

    Mar, 2004

  • 使用人工和机器综合分类的短暂搜索

    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

  • SDSS 瞬变巡天图像的机器学习分类

    通过基于 PCA 的机器学习算法对短暂成像数据进行分类，可以实现 96% 的完整度和 84% 的准确度，并且在未来的天文调查中将大力发展完全机器化的解决方案。

    Jul, 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

  • 一种用于在天文学中联合提取光谱和源计数分布的深度学习框架

    天文观测通常提供三维地图，编码观测通量在天球的两个角度和能量 / 频率上的分布。我们提出了一个深度学习框架，能够同时重建不同发射成分的光谱和点源群体的源计数分布，实现了从模拟地图中准确提取复杂形状的光谱和源计数分布的目标。

    Jan, 2024

  • 一种形态学分类模型，用于识别未解决的 PanSTARRS1 资源：在 ZTF 实时管道中的应用

    使用监督式机器学习方法生成的 PS1 形态模型，通过 PS1 3 π 调查数据中的白光流量特征，成功区分了可视天文成像中的已解析和未解析光源，并在星系暴发事件的实时处理中实现了恒星光源的自动排除。

    Feb, 2019