首页/论文/2409.08090

arXiv 2409.080902024-09-12astro-ph.IM

nifty-ls：使用非均匀FFT的快速精确Lomb-Scargle周期图

nifty-ls: Fast and Accurate Lomb-Scargle Periodograms Using a Non-Uniform FFT

Lehman H. Garrison, Dan Foreman-Mackey, Yu-hsuan Shih, Alex Barnett

备注：: 4 pages, 1 figure, submitted to RNAAS. Software available at https://github.com/flatironinstitute/nifty-ls/

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

AI总结：

本研究推出开源软件包nifty-ls，借助finufft实现的非均匀FFT计算Lomb-Scargle周期图，相比Astropy中的传统方法速度提升数倍、精度高出多个数量级，还支持GPU加速与Astropy接口集成。

摘要：

我们推出nifty-ls，这是一款用于快速、精确计算Lomb-Scargle周期图的软件包。nifty-ls利用了Lomb-Scargle周期图可通过非均匀FFT（NUFFT）计算的特性，我们采用Flatiron研究所的NUFFT软件包（finufft）来实现该计算。与Astropy中实现的Press & Rybicki (1989)方法相比，该方法实现了数倍的速度提升，同时精度高出多个数量级。nifty-ls还支持通过CUDA在GPU上进行快速计算，并与Astropy的Lomb-Scargle接口相集成。nifty-ls作为开源软件公开可用。

英文摘要：

We present nifty-ls, a software package for fast and accurate evaluation of the Lomb-Scargle periodogram. nifty-ls leverages the fact that Lomb-Scargle can be computed using a non-uniform FFT (NUFFT), which we evaluate with the Flatiron Institute NUFFT package (finufft). This approach achieves a many-fold speedup over the Press & Rybicki (1989) method as implemented in Astropy and is simultaneously many orders of magnitude more accurate. nifty-ls also supports fast evaluation on GPUs via CUDA and integrates with the Astropy Lomb-Scargle interface. nifty-ls is publicly available as open-source software.

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。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

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

相关论文

了解Lomb-Scargle周期图

Understanding the Lomb-Scargle Periodogram

Lomb-Scargle周期图是用于检测和表征不均匀采样数据中的周期信号的众所周知的算法。本文提出了一个概念性的介绍Lomb-Scargle周期图和重要的实际考虑，其使用。本文的目标不是严格的数学处理，而是建立直观的假设是隐含在使用的Lomb-Scargle周期图和相关的估计周期，从而激发重要的实际考虑，需要在其正确的应用和解释。

2017-03-28astro-ph.IM

广义Lomb-Scargle周期图。浮动平均周期图和开普勒周期图的一种新形式

The generalised Lomb-Scargle periodogram. A new formalism for the floating-mean and Keplerian periodograms

Lomb-Scargle周期图是不等距数据的频率分析中的常用工具，相当于正弦波的最小二乘拟合。我们给出了一个解析的解决方案，概括为一个完整的正弦波拟合，包括偏移和权重（$χ^{2}$拟合）。与Lomb-Scargle周期图相比，概括是优越的，因为它提供了更准确的频率，不太容易混淆，并给出了更好的光谱强度的确定。只需要对计算进行一些修改，并且计算工作量是相似的。我们的方法汇集了几个相关的方法，可以在文献中找到，即。日期补偿离散傅立叶变换，浮动平均周期图，和“频谱显著性”估计中使用的SigSpec程序，我们指出了一些等价。此外，我们提出了一种算法，实现这种概括的开普勒周期图的评价，寻找最佳拟合开普勒轨道径向速度数据的周期。系统非随机算法能够探测出偏心轨道，并通过两个实例证明了这一点，它可以成为搜索系外行星轨道周期的有用工具。

2009-01-16astro-ph.IM

天文学中的不规则时间序列和Lomb-Scargle周期图的使用

Irregular time series in astronomy and the use of the Lomb-Scargle periodogram

在许多天文学研究中，检测被时间序列中的噪声隐藏的信号是一个重要的问题，即对于包含由于旋转物体和所有其他天体物理学时间相关现象引起的周期/半周期分量的贡献的光变曲线。在这类研究中使用的最流行的工具之一是“周期图”，它在天文学方面的使用往往不是微不足道的。周期图的“最佳”统计特性在信号的不规则采样的情况下丢失，这是天文实验中常见的情况。这些属性的一部分被“Lomb-Scargle”（LS）技术恢复，但代价是理论上的困难，这可能会使其使用不清楚，并且如果需要快速实现，则需要开发专用软件的算法。如果LS周期图可用于显著改善由近似但更简单的技术获得的结果，则这些问题将是无关紧要的。在这项工作中，我们表明，在许多天文应用中，更简单的技术提供的结果与LS周期图所获得的类似。在不规则采样的情况下，“奈奎斯特频率”的含义也进行了讨论。

2013-01-21astro-ph.IM

$\rm{^{123}I}$和$\rm{^{99m}Tc}$衰变率测量的广义Lomb-Scargle分析

Generalized Lomb-Scargle analysis of $\rm{^{123}I}$ and $\rm{^{99m}Tc}$ decay rate measurements

我们应用广义Lomb Scargle周期图的$\rm{^{123}I}$和$\rm{^{99m}Tc}$衰变率测量的基础上采取的数据在布朗森卫理公会医院。这项工作的目的是进行一个独立的搜索正弦调制这些放射性核素（以补充在Borrello等人的分析）的频率，其他放射性核素显示周期性。我们在任何频率上都没有发现这种调制的证据，包括年度调制或与太阳旋转相关的频率。我们的分析代码和数据集已公开提供。

2020-11-12astro-ph.IMastro-ph.SRnucl-ex

用图形处理器快速计算Lomb-Scargle周期图

Fast Calculation of the Lomb-Scargle Periodogram Using Graphics Processing Units

我介绍了一种新的代码，用于快速计算Lomb-Scargle周期图，它利用了图形处理单元（GPU）的计算能力。在介绍了GPU计算这一新兴领域的背景之后，讨论了代码设计，并叙述了其源代码的关键部分。基准测试计算表明，与基于CPU的等效代码相比，准确性没有显着差异。然而，性能上的差异是明显的;在低端GPU上运行，代码可以匹配8个CPU核心，而在高端GPU上，它的速度接近30倍。该代码的应用包括分析正在进行的卫星飞行任务和即将建立的地面监测设施所获得的长测光时间序列;以及周期图统计特性的蒙特卡罗模拟。

2010-10-19astro-ph.IMastro-ph.SR

Lomb-Scargle周期图与经典周期图的比较

A critical comparison of the Lomb-Scargle and the classical periodograms

探测隐藏在噪声中的信号是天文学中最古老和常见的问题之一。在过去已经提出了各种解决方案，如基于理论模板的最小二乘拟合的参数方法或相位折叠方法的非参数技术。然而，它们中的大多数仅适用于具有特定时间演化的信号。对于一般信号，基于周期图的谱方法可能是最有效的。在天文学中，使用周期图的主要问题是信号的采样往往是不规则的。这使其有效计算复杂化（不能直接使用快速傅立叶变换），但总体上使其统计特性的确定复杂化。Lomb-Scargle周期图（LSP）为这最后一个重要问题提供了解决方案，但其主要缺点是假设了一个非常特定的数据模型，这对于大多数实际应用来说是不正确的。这些问题并不总是被认为是在文学与理论和实践的后果，没有容易的解决方案。此外，除了病理取样，通常认为LSP和经典周期图（CP）通常提供几乎相同的结果。一般来说，这是真的，但这里示出了存在LSP在噪声中检测信号时不如CP有效的情况。因此，没有令人信服的理由使用LSP代替CP，CP直接连接到观察信号的关联函数与在各种感兴趣频率处的正弦函数。

2020-06-11astro-ph.IM

更多相关论文收起更多论文

天文时间序列分析研究：双Lomb-Scargle周期图与超分辨率

Studies in Astronomical Time Series Analysis: The Double Lomb-Scargle Periodogram and Super Resolution

NASA Ames Research Center（NASA 艾姆斯研究中心）；Julius-Maximilians-Universität Würzburg（维尔茨堡大学）；Stanford University（斯坦福大学）；Institut de Física d’Altes Energies (IFAE)（高能物理研究所 (IFAE)）；The Barcelona Institute of Science and Technology (BIST)（巴塞罗那科学技术研究院 (BIST)）

本文提出了一种双Lomb-Scargle周期图方法，具备超分辨率能力，适用于任意采样时间序列，通过自回归模型在时域中实现超分辨率应用。

2026-01-08astro-ph.IM

在图形处理单元上使用Lomb-Scargle算法的大数据集和实时应用的快速周期变换

Fast Period Searches Using the Lomb-Scargle Algorithm on Graphics Processing Units for Large Datasets and Real-Time Applications

众所周知，计算变量对象的周期在计算上是昂贵的。现代天文目录包含了大量的观测对象。因此，即使特定类别的对象的周期范围由于预期的物理属性而受到很好的约束，也必须为大量对象导出周期。在本文中，我们提出了一种GPU加速的Lomb-Scargle周期查找算法，该算法可以计算单个对象或批量对象的周期，这在许多数据处理管道中是必要的。我们展示了几种优化的性能，包括比较共享和全局内存GPU内核的使用，以及使用多个CUDA流将周期图数据从GPU复制到主机。此外，我们量化了两类GPU上32位和64位浮点精度之间的差异，并表明在CPU上使用64位比32位的性能下降要比为科学计算而设计的GPU大。我们发现，GPU算法实现了优越的性能超过基线并行CPU实现，实现了高达174.53 $\times$的加速比。维拉C。鲁宾天文台将进行空间和时间的遗产调查（LSST）。我们进行了分析，表明我们可以得到的旋转周期批次的太阳系天体在LSST尺度在近实时，这将在未来的LSST事件代理。所有源代码都是公开的。

2021-05-09astro-ph.IM

一种多仪器广义 Lomb-Scargle 周期图实现

A Multi-instrument Generalized Lomb-Scargle Periodogram Implementation

Max-Planck-Institut für Astronomie（马克斯·普朗克天文学研究所）；Fakultät für Physik und Astronomie, Universität Heidelberg（海德堡大学物理与天文学院）；Department of Astronomy, Universidade de São Paulo（圣保罗大学天文学系）；Space Telescope Science Institute（太空望远镜科学研究所）；William H. Miller III Department of Physics and Astronomy, Johns Hopkins University（约翰斯·霍普金斯大学威廉·H·米勒三世物理与天文系）

本文提出一种多仪器广义 Lomb-Scargle 周期图（GLS）的闭式实现，将其应用于热木星 TOI-481 b 的径向速度数据，能更高显著性地恢复其周期，代码已在 GitHub 开源。

2026-08-24astro-ph.EPastro-ph.IM

Lomb-Scargle方法的多元推广

The Multivariate Extension of the Lomb-Scargle Method

多变量（$n$维）时间序列的谱分析方法，如离散傅里叶变换（FT）或小波变换（Wavelet transform），都是基于傅里叶级数将离散数据分解成一组三角模型分量，即离散傅里叶变换和小波变换。G.振幅和相位。应用于有限范围的离散数据，可以观察到（时间离散）FT的几个限制，这是由三角基函数在有限区间上的正交失配引起的。然而，在非等距或分段采样的一般情况下，基于FT的方法会导致参数估计的显著误差。因此，经典的Lomb-Scargle方法（LSM），这是不基于傅立叶级数，作为一个统计工具，一维数据，以避免不一致和错误的参数估计的傅立叶级数。目前的工作推导的最小二乘最小二乘$n$维数据集的移位参数$τ$的重新定义，以保持三角基的正交性。分析推导表明，$n$ -D最小二乘扩展了传统的一维情况下保留所有的统计优势，如改进的噪声抑制。在这里，我们推导出参数置信区间的LSM和比较它与FT。具有理想测试数据和实验数据的应用将说明和支持所提出的方法。

2022-10-24astro-ph.IMstat.ME

在PTB和BNL测量$\rm{^{36}Cl}$衰变率的广义Lomb-Scargle分析

Generalized Lomb-Scargle analysis of $\rm{^{36}Cl}$ decay rate measurements at PTB and BNL

最近，Pomme等人对联邦物理技术研究所（PTB）测量的$\rm{^{36}Cl} $放射性衰变数据进行了分析，以验证Sturrock及其合作者关于太阳中微子通量的旋转诱导调制对布鲁克黑文国家实验室（BNL）测量的β衰变率产生影响的说法。他们的分析排除了频率范围为0.2-20/年的任何正弦调制。我们使用广义Lomb-Scargle周期图对相同的PTB和BNL数据进行独立分析，以寻找每年0至14个范围内的任何统计学显著性峰值，并使用多种方法评估每个峰值的显著性。我们的PTB数据的结果与Pomme等人的结果一致。对于BNL数据，我们确实发现了与Sturrock等人相同频率的峰值，但显著性要低得多。我们所有的分析代码和数据集都是公开的。

2020-01-19astro-ph.HEastro-ph.IMnucl-ex

BGLS：广义Lomb-Scargle周期图的贝叶斯形式

BGLS: A Bayesian formalism for the generalised Lomb-Scargle periodogram

上下文频率分析在今天的天文学中非常重要，尤其是在不断增长的系外行星领域，其中研究恒星径向速度数据中的短周期信号。周期图是实现这一目的的主要（和强大的）工具。然而，恢复正确的频率并评估每个频率的概率并不简单。目标。我们提供了一个形式主义，这是很容易实现的代码，描述贝叶斯周期图，包括权重和数据中的一个常数偏移。用这种形式可以很容易地计算峰之间的相对概率。我们讨论了不同的周期图形式主义与模拟的例子之间的差异和协议。方法.我们使用贝叶斯概率理论来描述具有特定频率的完整正弦函数（包括从数据值的误差和恒定偏移量导出的权重）存在于数据中的概率。结果从我们的贝叶斯广义Lomb-Scargle周期图（BGLS）的表达式中，我们可以很容易地恢复非贝叶斯版本的表达式。在模拟的例子中，我们表明，这种新的形式主义恢复的基本时期比以前的版本。基于Python的代码可供社区使用。

2014-12-01astro-ph.EPastro-ph.IM

Stacked Bayesian一般Lomb-Scargle周期图：识别恒星活动信号

Stacked Bayesian general Lomb-Scargle periodogram: Identifying stellar activity signals

上下文区分恒星活动或行星引起的信号是目前径向速度搜索低质量系外行星的主要挑战。即使知道凌日行星的存在及其周期，恒星活动也可能是测量径向速度信号正确振幅的主要障碍。有几种工具正在被用来帮助理解哪些信号来自数据中的恒星活动。目标。我们的目标是提出一种新的工具，可用于识别恒星活动引起的周期性的目的，并显示它如何可以用来跟踪随着时间的推移检测的信噪比（SNR）。该工具所依据的原则是，恒星活动信号是可变的和不连贯的。方法.我们计算数据子集的贝叶斯一般Lomb-Scargle周期图，并通过添加一个额外的数据点，我们跟踪数据中周期性的存在和意义。HARPS和HARPS-N的公开数据集用于此目的。此外，我们分析了我们使用SOAP2.0创建的合成数据集，以模拟纯恒星活动以及恒星活动和行星的混合物。结果我们发现，这个工具可以很容易地用来识别不稳定和不相干的信号，如恒星活动引入的信号。在稳定信号的情况下，检测的SNR近似地随着数据点的数量的平方根而增长。然后，这可以用来决定继续观察特定对象是否有用。该工具相对快速且易于使用，因此非常适合快速分析数据。

2017-02-13astro-ph.EPastro-ph.IM

用概率方法估计活动周期I。具有趋势的贝叶斯广义Lomb-Scargle周期图

Estimating activity cycles with probabilistic methods I. Bayesian Generalised Lomb-Scargle Periodogram with Trend

周期估计是天文时间序列分析中的核心问题之一，其中数据通常是不均匀采样的。特别具有挑战性的是恒星磁周期的研究，因为在那里寻找的周期与数据集本身的长度相同。数据集通常包含趋势，其起源是真实的长期周期或工具效应，但这些效应无法可靠地分离，如果处理不当，它们可能导致错误的周期确定。在这项研究中，我们的目标是开发一种方法，可以正确处理的趋势，并通过进行广泛的测试，我们表明，这是最佳的程序相比，不包括直接的趋势模型的方法。的形式的噪声（无论是恒定的或异方差）的结果的影响也进行了研究。我们介绍了一个贝叶斯广义Lomb-Scargle周期图与趋势（BGLST），这是一个概率线性回归模型，使用高斯先验的系数和均匀的频率参数。我们表明，使用合成数据，当没有先验信息，是否和在何种程度上的数据的真实模型包含一个线性趋势，引入BGLST方法是最好的方法，要么去趋势的数据或离开数据的趋势拟合的周期性模型之前。是否在模型中使用具有不同于恒定方差的噪声取决于数据采样的密度以及过程的真实噪声类型。

2018-03-13astro-ph.IMastro-ph.SRstat.AP

高通滤波周期图：一种改进的不均匀采样数据功率谱密度估计器

High-pass Filter Periodogram: An Improved Power Spectral Density Estimator for Unevenly Sampled Data

针对不均匀采样数据，提出高通滤波周期图，通过频率依赖滤波减少采样噪声，提升功率谱密度估计与周期性检测精度。

2024-11-04astro-ph.IMphysics.data-an