Jun, 2024

基于卷积神经网络的 Lyman 断层星系分类与 DESI 中红移回归

PDF
TL;DR利用基于卷积神经网络 (CNN) 的 QuasarNET 模型和数据增强技术，本研究通过确定 Laman Break Galaxies (LBGs) 是否是 LBGs 以及通过红移确定它们与地球的距离，进而将这些星系放置在 DESI 的 3D 地图上，提高模型性能并实现了高达 94% 的平均得分。
desilyman break galaxiesredshiftconvolutional neural networkmodel performance
发现论文，激发创造
  • 利用卷积神经网络在暗能量调查中搜索强透镜系统

    使用卷积神经网络从第一批 Dark Energy Survey（DES）数据中筛选出强引力透镜系统的候选物，包括 405 个透镜候选物和 539 个可用于训练 CNNs 的环状星系候选物，并构建自动化建模管道来对 52 个有单个偏转器的系统进行建模。

    Aug, 2021

  • 当谱建模遇上卷积网络：一种在多波段成像数据中发现复合再电离时代透镜类星体的方法

    本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

    Nov, 2022

  • 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

  • 通过组合神经网络简化多波段映射中的透镜状类星体鉴定

    本研究使用卷积神经网络和深度学习管道自动检测强透镜效应，并在多波段图像中检测到了可以用于光谱学确认的 161 个候选源。

    Jul, 2023

  • 深度神经网络实现人类水平的光谱分类和红移测量

    QuasarNET 是一款深度卷积神经网络，可分类和估算星系物理光谱的红移。该网络解决了光谱学的两个问题：存在或不存在波长决定样本，其频移程度则决定其红移，从而极大地减少了线的混淆和红移失败。

    Aug, 2018

  • 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

  • 深度学习赛弧谱线以探索和描述阻尼莱曼 α 系统

    本篇论文使用多目标学习的卷积神经网络来搜寻和表征夸克星光谱中的强氢 Lyman-Alpha 吸收，并完成分类和定量测量。该算法能够准确地预测 HI 吸收的存在性，并估计相应的 redshift zabs 和 HI 柱密度 NHI，并使用自定义的训练集进行模型训练，最后在 SDSS-DR7 和 BOSS 数据集中应用，证明了深度学习在天文光谱测量方面应用的有效性。

    Sep, 2017

  • DESI 实验第一部分：科学，目标和调查设计

    DESI （暗能量光谱仪）是一项地基暗能量实验，将通过广阔的星系和类星体红移巡测研究声学波动和红移空间畸变的结构增长，以追踪基础暗物质的分布。

    Oct, 2016

  • DESI DECam Legacy Survey 中强引力透镜的发现

    本文使用神经网络在 DECaLS 图像中鉴定出 335 个强引力透镜系统作为候选物体。

    Jun, 2019

  • 来自光度 DESI 亮红星系的大尺度聚类的本地原始非高斯性

    使用 DESI 个人计划中红巨星星系的角聚类方法，探讨局部原初非高斯性参数 fNL；结果表明 fNL>0 且具有 99.9％的置信水平，呼吁进一步研究带有 3D 聚类的 DESI 光谱样品以确保提取成像系统漂移。

    Jul, 2023