利用卷积神经网络从凌日系外行星巡天卫星的像素级数据中搜寻超级耀斑
太阳与恒星天体物理
2022-09-19 v2 地球与行星天体物理
高能天体物理现象
天体物理仪器与方法
摘要
在本工作中，基于来自凌日系外行星巡天卫星（{\em TESS}）三年观测收集的包含 15,638 个类太阳恒星超级耀斑候选体的数据库中的不同特征图像与阵列，训练了六个卷积神经网络（CNN）。这些网络用于替代人工视觉检查——后者是近年来搜寻超级耀斑并排除假阳性事件的直接方式。与其他仅使用恒星光变曲线搜寻超级耀斑信号的方法不同，我们尝试通过 {\em TESS} 像素级数据识别超级耀斑，以降低混入假阳性事件的风险，并为统计分析给出更可靠的识别结果。各网络评估准确率约为 95.57%。将这些网络应用于集成学习后，stacking 方法将准确率提升至 97.62%（分类率为 100%），voting 方法将准确率提升至 99.42%（分类率相对较低，为 92.19%）。我们发现，短持续时间且低峰值振幅的超级耀斑候选体识别精度较低，因其超级耀斑特征难以辨识。本工作中包含 71,732 个类太阳恒星及来自 {\em TESS} 的 15,638 个超级耀斑候选体及其相应特征图像与阵列的数据库，以及训练好的 CNN，均已公开可用。
引用
@article{arxiv.2204.04019,
title = {Convolutional Neural Networks for Searching Superflares from Pixel-level Data of the Transiting Exoplanet Survey Satellite},
author = {Zuo-Lin Tu and Qin Wu and Wenbo Wang and G. Q. Zhang and Zi-Ke Liu and F. Y. Wang},
journal= {arXiv preprint arXiv:2204.04019},
year = {2022}
}
备注
Published in ApJ, 27 pages, 11 figures, 3 tables