Feb, 2024

TESS 全幅图像光变曲线中的短周期变量通过卷积神经网络识别

PDF
TL;DR通过卷积神经网络，该论文提供了一种高效、高性能的方法，能够在大规模存档搜索中进行预测和识别短周期变量，从而揭示了短周期主序双星和 Delta Scuti 星等两个主要种群的特征。
发现论文，激发创造
  • 使用一维卷积神经网络计算行星凌星参数

    通过使用模拟的光度曲线注入了类似于行星运动信号的两个一维卷积神经网络模型，在真实数据测试中证明了这些模型能够从恒星去除趋势的光度曲线中表征恒星行星的性质，并且相较于当前的探测和描述算法，降低了所需时间和计算成本。

    Feb, 2024

  • 一维卷积神经网络检测行星凌变

    开发了一个能够检测来自不同望远镜和调查中的光曲线中的短时（transits）的人工神经网络模型，结果表明 1D CNN 是处理非相位折叠的光曲线具有短时的良好选择，并减少了传统分析所需要的时间。

    Dec, 2023

  • 浅层凌星 - 深度学习 I：探测系外行星周期性凌星的深度学习可行性研究

    使用深度神经网络解决红色（相关）噪声问题，以便更好地侦测未来行星探测空间任务（如 PLATO）中的可居住星球。

    Nov, 2017

  • 不是行星：使用机器学习从行星猎人 TESS 中去除虚假阳性

    使用一维卷积神经网络（CNN）从潜在行星候选者中将掩星双星和其他假阳性分离出来，从而减少需要人工审核的光曲线数量。该方法可将需要手动审核的光曲线数量减少三分之一，并且对行星候选者的误分类非常小。

    May, 2024

  • 利用机器学习和机载航天器诊断技术在克卫星上进行单次转运检测

    通过使用一组卷积神经网络和开普勒宇宙飞船的诊断工具，我们提出了一种新的技术，可以在光度曲线中对行星凌星进行分类，并且可以保持高达 80％的准确度，对高达 800 天的轨道周期的行星凌星进行定位和周期恢复。

    Mar, 2024

  • 变星的深度多次观测分类

    本研究提出了一种基于卷积神经网络的深度学习模型，通过灵活的数据增强和无需特征的卷积层，能够高效准确地实现光变星分类。

    Oct, 2018

  • ASAS-SN 变星目录 III：TESS 南方连续观察区内的变星

    本文介绍了 All-Sky Automated Survey for Supernovae 和 Transiting Exoplanet Survey Satellite 结合使用所获得的恒星光变曲线数据，并向读者提供了这些数据的在线资源库。

    Dec, 2018

  • 使用 LINEAR 探索可变天空。III. 周期性光变曲线的分类

    通过对 10,000 平方度北部天空的 LINEAR 巡天数据进行 SDSS 光度校正，我们选择了大约 200,000 个最有可能的候选变量，并使用分阶段的灯光曲线对大约 7,000 个定期变量进行了目测确认和分类。最终的周期性 LINEAR 变量样本主要由 3,900 个 RR Lyrae 星和 2,700 个各亚型的掩星双星组成，包括一小部分相对罕见的红巨星分支星和 SX Phoenicis 恒星等。

    Aug, 2013

  • Gaia 数据第二次发布。短时间尺度变异处理与分析

    通过对第 22 个月的 Gaia photometry 进行研究，本研究使用变异数分析快速探测变量、使用最小二乘周期图搜索高频率、探究视角特性和地面光度学监测等手段，旨在寻找短时间变量候选样本。研究完成后，本研究公布了 3018 个短时间变量候选样本，为研究天体物理学提供基础。

    May, 2018

  • 一个用于自动分类周期变量星的软件包

    使用机器学习技术对光学光变曲线进行分类，并将其分为 Delta Scuti、RR Lyrae、Cepheid、Type II Cepheid、eclipsing binary、long-period variable、non-variable 等七大类及其子类，分类准确率最高可达 0.98。

    Dec, 2015