利用改进神经网络在星震学中进行深度学习分类：15000颗Kepler红巨星的成果及在K2与TESS数据中的应用
天体物理仪器与方法
2018-02-26 v1 太阳与恒星天体物理
摘要
以一维卷积神经网络形式的深度学习此前已被证明能够通过识别星震频率谱中的视觉特征，将振荡红巨星的演化状态高效分类为红巨星支恒星与氦核燃烧恒星。我们进一步详述深度学习方法，开发了改进的卷积神经网络分类器。为使我们的方法对K2、TESS和PLATO等当前及未来空间任务有用，我们训练了能够对来自这些任务的预期较低频率分辨率谱的演化状态进行分类的分类器。此外，我们提供了8633颗Kepler红巨星的新分类，其中426颗此前未使用星震学分类。这使得用我们的新神经网络分类的Kepler红巨星总数达到14983颗。我们还验证了我们的分类器对次优数据（包括低信噪比和错误训练真值标签）具有显著鲁棒性。
引用
@article{arxiv.1802.07260,
title = {Deep Learning Classification in Asteroseismology Using an Improved Neural Network: Results on 15000 Kepler Red Giants and Applications to K2 and TESS Data},
author = {Marc Hon and Dennis Stello and Jie Yu},
journal= {arXiv preprint arXiv:1802.07260},
year = {2018}
}
备注
12 pages, 14 figures, 4 tables. Accepted for publication in the Main Journal of MNRAS. The catalogue containing updated evolutionary state classifications of ~16000 Kepler red giants is available as an ancillary file