基于 LSTM 神经网络的瞬变天文体光曲线分类
机器学习
2025-11-25 v1 天体物理仪器与方法
人工智能
计算机视觉与模式识别
摘要
本研究提出了一种基于双向长短期记忆（LSTM）神经网络的瞬变天文体光曲线分类方法。将原本的十四个天文体类别重新组织为五个概括性类别（S 型、快速、持久、周期性和非周期性），以解决类别不平衡问题。在填充、时间尺度重缩放和通量归一化预处理后，对包含 19,920 个天文体的测试集上训练和评估了带掩码层的双向 LSTM 网络。该模型在 S 型和周期性类别表现突出，ROC 曲线下面积（AUC）分别达到 0.95 和 0.99，精度-召回曲线下面积分别为 0.98 和 0.89。然而，快速和持久类别的表现显著下降（持久类别的 ROC AUC 为 0.68），且模型在区分周期性和非周期性天文体时表现有限。在基于检测时刻后 5、10 和 20 天的部分光曲线数据上评估时，发现性能显著下降，错误分类倾向于 S 型类别。这些发现表明，类别不平衡和有限的时序信息是主要限制因素，表明类别平衡策略和针对检测时刻的预处理技术可能有助于提升性能。
关键词
引用
@article{arxiv.2511.17564,
title = {Classification of Transient Astronomical Object Light Curves Using LSTM Neural Networks},
author = {Guilherme Grancho D. Fernandes and Marco A. Barroca and Mateus dos Santos and Rafael S. Oliveira},
journal= {arXiv preprint arXiv:2511.17564},
year = {2025}
}
备注
12 pages, 11 figures, 2 tables