一种适用于时间序列的 CNN 及其在超新星分类中的应用
机器学习
2019-01-03 v1 机器学习
摘要
宇宙学家在观测天空时面临着海量数据分析的问题。宇宙学中使用的方法大多依赖于天体物理模型，因此在分类任务上通常采用两步走的机器学习方法，即首先提取特征，其次使用分类器。本文专门研究超新星现象，特别是“I.a 型超新星与非 I.a 型超新星”的二元分类。我们提出了两种卷积神经网络（CNN），其表现超越了当前最优水平。第一种网络适应于时间序列，因而适用于处理超星光变曲线。第二种网络基于孪生 CNN，并针对数据特性（即稀疏性和数据量少，学习数据库较小）进行了优化。
引用
@article{arxiv.1901.00461,
title = {A CNN adapted to time series for the classification of Supernovae},
author = {Anthony Brunel and Johanna Pasquet and Jérôme Pasquet and Nancy Rodriguez and Frédéric Comby and Dominique Fouchez and Marc Chaumont},
journal= {arXiv preprint arXiv:1901.00461},
year = {2019}
}
备注
IS&T International Symposium on Electronic Imaging, EI'2019, Color Imaging XXIV: Displaying, Processing, Hardcopy, and Applications, Burlingame (suburb of San Francisco), California USA, 13 - 17 January, 2019, 8 pages. The CNN is downloadable there: https://github.com/Anzzy30/SupernovaeClassification