星震学中的深度学习分类
太阳与恒星天体物理
2017-06-20 v3 天体物理仪器与方法
摘要
在振荡红巨星功率谱中，存在明显的视觉特征，用以区分沿红巨星分支演化的恒星与已开始氦核燃烧的恒星。我们通过监督学习训练一维卷积神经网络，以从折叠振荡光谱图像中自动学习这些视觉特征。通过在 \textit{Kepler} 红巨星上进行训练和测试，我们在将氦燃烧红巨星与沿红巨星分支演化的恒星区分开来方面达到了高达 99% 的准确率。该卷积神经网络还展示了准确预测 5379 颗先前未分类的 \textit{Kepler} 红巨星演化状态的能力，借此我们极大地增加了已分类恒星的数量。
引用
@article{arxiv.1705.06405,
title = {Deep Learning Classification in Asteroseismology},
author = {Marc Hon and Dennis Stello and Jie Yu},
journal= {arXiv preprint arXiv:1705.06405},
year = {2017}
}
备注
6 pages, 7 figures. Published in the Monthly Notices of the Royal Astronomical Society. Classification tables are available as ancillary files (sidebar on the right), or in zipped form from https://academic.oup.com/mnras/article-lookup/doi/10.1093/mnras/stx1174#supplementary-data