SDSS-DR12 Bulk Stellar Spectral Classification: Artificial Neural Networks Approach
S. Kheirdastan, M. Bazarghan
本文探讨了概率神经网络（PNN）、支持向量机（SVM）和K均值聚类作为大质量恒星光谱自动分类工具的应用。
This paper explores the application of Probabilistic Neural Network (PNN), Support Vector Machine (SVM) and Kmeans clustering as tools for automated classification of massive stellar spectra.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
继续探索
Prediction of the Atmospheric Fundamental Parameters from Stellar Spectra Using Artificial Neural Network
地面和空间仪器的创新将我们带入了一个新的光谱学时代，在这个时代，大量的恒星内容变得可用。由于大量的观测光谱数据和理论光谱数据的存在，近年来恒星光谱的自动分类变得越来越主观。在本文中，我们开发了一个人工神经网络（ANN）算法的恒星光谱自动分类。该算法已被应用于Sloan数字巡天（SDSS）观测到的一些热富氦白矮星和Onderjove天文台观测到的B型光谱的基本参数的提取。我们比较了目前的基本参数和那些从最小距离方法，以澄清本算法的准确性，我们发现，预测的大气参数为两个样本是在良好的协议约50%的样本。一个可能的解释为其余的样品发现的差异进行了讨论。
The Impact of Redshift on Galaxy Morphometric Classification: case studies for SDSS, DES, LSST and HST with Morfometryka
本文详细分析了宇宙学红移对非参数方法进行星系形态自动分类的影响。我们人工红移每个星系从EFIGI 4458样本（重新集中在$z \sim 0$）模拟SDSS，DES，LSST和HST仪器设置在范围$0 < z < 1.5$。然后，我们使用MORFOMETRYKA追踪了每个PDMATHAMO中的形态测量学如何退化。在此过程中，我们将所有目录重新采样到多种分辨率和不同的信噪比范围，使我们能够分别了解图像采样和噪声对测量的影响。我们总结通过探索这些影响对我们的能力进行自动星系监督形态分类的影响，通过调查我们的分类器的指标作为每个仪器的红移函数的退化。总体结论是，我们可以使用MORFOMETRYKA对$z < 0.2$和SDSS、$z < 0.5$和DES、$z < 0.8$和LSST以及至少$z < 1.5$和HST进行可靠的分类。
Feature importance for machine learning redshifts applied to SDSS galaxies
我们提出了一个分析的重要性特征选择应用于光度红移估计使用机器学习架构决策树集成学习例程Adaboost（以下简称RDF）。我们从斯隆数字巡天数据发布10中选择了85个容易测量（或导出）的光度量（或“特征”）和光谱红移，这些数据来自近200万个星系。在确定哪些特征具有最强的预测能力之后，我们使用标准人工神经网络（aNN）来证明，这些特征的添加，结合标准幅度和颜色，将机器学习红移估计提高了18%，并将灾难性离群值率降低了32%。我们进一步比较的红移估计使用RDF与那些从两个不同的aNN，并与光度红移可从SDSS。我们发现RDF需要比aNN少几个数量级的计算时间来获得机器学习红移，同时将灾难性离群值率降低高达43%，红移误差降低高达25%。与SDSS光度红移相比，RDF机器学习红移将1/（1+z）标度的残差标准差从0.066降低到0.041，降低了36%，并将灾难性异常值的比例从2.32%降低到0.99%。
Application of Convolutional Neural Networks for Stellar Spectral Classification
由于SDSS和LAMOST等测量观测到的光谱数据量不断扩大，应用人工智能（AI）技术分析恒星光谱以解决光谱分类和回归问题（如确定恒星大气参数Teff，log g，[Fe/H]）变得非常重要。我们提出了一个自动化的方法，利用卷积神经网络的恒星光谱的光学区域的分类。传统的机器学习（ML）方法具有“浅层”架构（通常多达2个隐藏层），过去已经为此目的进行了训练。然而，具有更多隐藏层的深度学习方法允许使用频谱中更精细的细节，从而提高准确性和更好的泛化能力。研究更精细的光谱特征也使我们能够确定精确的差分恒星参数和发现稀有天体。我们研究了各种机器和深度学习算法，如人工神经网络（ANN），随机森林（RF）和卷积神经网络（CNN），以分类恒星光谱使用的光谱库作为训练样本。我们在Indo-U.S. Library of Coude Feed Stellar Spectra（CFLIB）上测试了训练网络的性能。我们表明，使用卷积神经网络，我们能够将误差降低到1.23个光谱子类，与过去研究中使用ML方法实现的2个子类相比。我们进一步应用训练好的模型对信噪比大于20的SDSS数据库中的恒星光谱进行分类。
Zeta-Payne: a fully automated spectrum analysis algorithm for the Milky Way Mapper program of the SDSS-V survey
斯隆数字巡天最近启动了其第五代巡天（SDSS-V），重点关注恒星光谱学。特别是，SDSS-V Milky Way Mapper计划将为整个天空中的500多万颗恒星提供多时期的光学和近红外光谱，涵盖恒星质量，表面温度，演化阶段和年龄的大范围。这些光谱中约有10%是OBAF光谱类型的热星，其分析没有建立测量管道。在这里，我们提出了光谱分析算法，Zeta-Payne，专门开发用于从具有这些光谱类型的恒星的SDSS-V光谱中获得恒星标签，并利用机器学习工具。我们提供的算法训练的细节，人工光谱的测试，其验证的两个控制样本的真实恒星。用Zeta-Payne进行的分析在APOGEE的近红外中只产生了适度的内部不确定性（带BOSS的光纤）：Teff为3-10%（1-2%），v*sin（i）为5-30%（5-25%），1.7-6.3 km/s（0.7-2.2 km/s），log（g）的$<0.1$ dex（$<0.05$ dex）和[M/H]的0.4-0.5 dex（0.1 dex）。我们发现一个很好的协议的大气参数的OBAF型恒星推断时，从他们的高分辨率和低分辨率的光谱。对于大多数恒星的标签，APOGEE光谱比这些恒星的BOSS光谱（远）提供的信息少，而log（g），v*sin（i）和[M/H]在大多数情况下对于有意义的天体物理解释来说太不确定了。这使得BOSS的低分辨率光谱更适合于OBAF型恒星…
Machine Learning Classification of SDSS Transient Survey Images
我们表明，多种机器学习算法可以匹配人类的表现，将斯隆数字巡天（SDSS）超新星调查的瞬态成像数据分类为真实物体和文物。这是任何瞬时科学管道的第一步，目前仍由人类完成，但未来的调查，如大型综合巡天望远镜（LSST），将需要完全由机器支持的解决方案。使用从特征图像分析训练的特征（主成分分析，PCA）的单时期g，r和i-差异图像，我们可以达到96%的完整性（召回），而只有最多18%的人工制品被错误地分类为真实物体，对应的精确度（纯度）为84%。其次是k-最近邻和SkyNet人工神经网络算法，与其他方法如朴素贝叶斯和核支持向量机进行了比较。我们的研究结果表明，基于PCA的机器学习可以与人类的成功水平相匹配，并且可以通过包括多个时期的数据，瞬态颜色和宿主星系信息来自然扩展，这应该允许显着的进一步改进，特别是在低信噪比下。
A new approach to feature-based asteroid taxonomy in 3D color space: 1. SDSS photometric system
对小行星的分类主要是根据波长从可见光到近红外的分光观测。$\sim$ 2500小行星的可见-近红外光谱自20世纪70年代以来就已获得; SDSS MOC 4与$\sim$ 4 $\times$ 10 $^{5}$测量小行星的位置和颜色在21世纪初发布。一些作品，然后设计的方法来分类这些数据的框架内现有的分类系统。然而，这些作品中的一些使用了2D参数空间，该空间显示了数据点云的连续分布，从而导致人为定义的边界。我们在这里介绍一个更先进的方法来分类小行星的基础上现有的系统。这种方法简单地由SDSS颜色的三元组表示。每个分类类型的分布和成员由机器学习方法以无监督和半监督学习的形式确定。我们应用我们的计划MOC 4校准的可见-近红外反射光谱。我们成功地分离出七种不同的分类法，我们有足够数量的光谱数据集。我们发现，在一个2D平面上的分类类型的重叠区域分离与相对清晰的边界在三维空间中新定义的这项工作。我们的计划明确区分不同的分类类型，这是对现有系统的改进。这种新的分类方法对于小行星研究具有很大的可扩展性，例如S-复合体中的空间风化以及小行星家族的起源和演化。我们提出了小行星带的结构，并描述了轨道分布的基础上，我们新分配的分类。也有可能将这里提出的方法扩展到其他光度系统，如约翰逊-费洛蒙和LSST滤波系统。
Cloud Continents: Terraforming Venus Efficiently by Means of a Floating Artificial Surface
金星和地球在整体性质上的相似性使金星成为未来殖民的一个有吸引力的目标。尽管金星表面的极端条件，但已经提出了几项殖民甚至改造金星的建议。这样一个地球化项目将面临巨大的挑战，主要是消除金星大量的二氧化碳大气层，并将其替换为可居住的环境。我回顾了过去的建议，并提出了一种新的方法，通过建立一个人造表面在更友好的高层大气的温度和压力都是地球一样的金星地球化。这样的表面可以用当地生产的材料建造，并将使用氮气作为提升气体漂浮在大气层上方。这将允许在地表之上设计可呼吸的大气，并且将消除输入或输出极大量质量的需要，除了相对适量的水。这种方法的工程，后勤和能源需求进行了调查。我发现，在最好的情况下，这样一个地球化项目可以在至少200年内完成，与其他提案相比，资源成本明显降低。
A Machine-Learning Compositional Study of Exoplanetary Material Accreted Onto Five Helium-Atmosphere White Dwarfs with $\texttt{cecilia}$
研究首次将机器学习流程 cecilia 用于五颗金属污染氦大气白矮星，通过联合迭代贝叶斯拟合 SDSS 与 Keck/ESI 光谱测定其参数和吸积物元素丰度，发现成分多与 CI 球粒陨石相符且两颗存在显著氧过剩。
Discovering Ca II Absorption Lines With a Neural Network
类星体吸收线分析是研究早期宇宙中气体和尘埃成分及其物理化学性质以及星系演化和形成的关键。钙II吸收体是尘埃最多的吸收体之一，位于比大多数其他吸收体更低的红移处，在研究最近星系的物理过程和条件时特别有价值。然而，已知的类星体Ca II吸收体的数量相对较低，因为用传统方法很难检测到它们。在这项工作中，我们开发了一种使用深度学习搜索Ca II吸收线的准确快速方法。在我们的深度学习模型中，使用模拟数据调整的卷积神经网络用于分类任务。模拟的训练数据是通过插入人工钙II吸收线到原始的类星体光谱从斯隆数字巡天（SDSS），而现有的钙II目录作为测试集。由此产生的模型在测试集中的真实数据上达到了96%的准确率。我们的解决方案运行速度比传统方法快数千倍，只需几分之一秒即可分析数千个类星体，而传统方法可能需要数天至数周。训练好的神经网络应用于SDSS的DR 7和DR 12的类星体光谱，发现了399个新的类星体Ca II吸收体。此外，我们还确认了409个已知的类星体Ca II吸收体，这些吸收体以前由其他研究小组通过传统方法确定。
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈
发表机构由 AI 从论文文本抽取，如发现错误，欢迎反馈修正建议。