Apr, 2024

用机器学习进行饱和星体的光度测量

PDF
TL;DR我们开发了一个深度神经网络 (DNN)，用于获取全天自动超新星巡天 (ASAS-SN) 中饱和恒星的光度。该 DNN 可以在 g=4 到 14 mag 之间获得无偏光度，饱和 (g<11.5 mag) 恒星的离散度 (15%-85% 中位数附近的 1sigma 范围) 为 0.12 mag。更重要的是，非变化的饱和恒星的光变曲线仅具有中位数离散度为 0.037 mag。DNN 的光变曲线在许多情况下明显优于标准 ASAS-SN 管道所提供的曲线。虽然该网络仅使用 ASAS-SN 的 20 个相机之一的 g 波段数据进行训练，但初步实验表明其也适用于任何相机和早期 ASAS-SN 的 V 波段数据。主要问题似乎与 ASAS-SN 数据降噪管道中关于饱和恒星的可纠正问题有关，而非 DNN 本身。该方法已作为全天自动超新星巡天 Sky Patrol v1.0 上的光变曲线选项公开提供。
deep neural networkphotometrysaturated starsasas-snlight curve
发现论文，激发创造
  • ASAS-SN 可变星星表 I：意外调查

    ASAS-SN is a survey that monitors the whole sky for supernovae using V-band light curves and presents a catalog of 66,179 variable stars, including periodic and irregular ones.

    Mar, 2018

  • ASAS-SN 变星目录 V：南半球变星

    使用 All-Sky Automated Survey for Supernovae 技术，对南半球的 3001 万个星体进行 V 波段光变曲线观测，检测到 220,000 多个变量，包括新发现的 88300 个变量，这些数据将被用于建立变量星数据库。

    Jul, 2019

  • 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

  • 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

  • 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

  • 基于深度神经网络的宽视场小口径望远镜光度学与星表定位框架

    本文扩展了基于深度神经网络的天文目标检测算法的能力以适用于光度学和星位学，并提出了使用迁移学习策略来训练神经网络的方法以减少算法中的认知不确定性。 该算法可在 0.125 秒内处理一幅图像并以高精度获得天体对象的类型，位置和大小，可用于增强 WFSATs 的响应速度和检测能力以便探测域内天文事件。

    Jun, 2021

  • 用于分类、检测和预测斯隆数字天区 Stripe 82 类星体光度红移的深度学习方法

    本研究使用卷积神经网络（CNN）对斯隆数字天空调查中的类星体进行分类和检测，以及预测类星体的光度红移，并结合随机森林分类器提高准确性，相较于其他分类器表现显著提高，在未来的大数据库例如大型巡天望远镜中具有很好的应用前景。

    Dec, 2017

  • 使用深度卷积神经网络进行星系分类

    本研究提出了一种使用深度卷积神经网络的恒星 - 星系分类框架，可直接基于像素值进行学习，避免了人工特征工程需求，并且能在 SDSS 和 CFHTLenS 数据集上取得与传统机器学习技术相竞争的准确和可靠的概率分类结果。

    Aug, 2016

  • 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

  • ASAS-SN 可变星目录 II：412,000 个已知变星的统一分类

    采用随机森林分类器对 ASAS-SN V-band 光曲线进行同质化分析，重新对不确定星源和新变化组进行了分类和归类，同时提供了变星数据库和一些罕见的变量以及瞬变源的光曲线。

    Sep, 2018