利用机器学习技术测定Kepler任务观测的类太阳恒星表面自转周期
太阳与恒星天体物理
2019-06-25 v1
摘要
对于类太阳恒星，其表面自转随时间的演化使得原则上可由表面自转周期估算恒星年龄。本文关注测定NASA Kepler任务观测的类太阳恒星的表面自转周期。已有多种方法用于追踪Kepler测光光变曲线中的自转信号：基于小波技术的时频分析、自相关与复合谱。我们利用随机森林分类器的学习能力在分析的两个关键步骤中做决策。首先，给定若干输入参数，我们将所考虑的Kepler目标在自转主序星、非自转主序星、红巨星、双星与脉动星间加以区分。随后，我们仅对主序自转目标使用第二个分类器来决定最佳数据分析处理。
引用
@article{arxiv.1906.09609,
title = {Determining surface rotation periods of solar-like stars observed by the Kepler mission using machine learning techniques},
author = {S. N. Breton and L. Bugnet and A. R. G. Santos and A. Le Saux and S. Mathur and P. L. Palle and R. A. Garcia},
journal= {arXiv preprint arXiv:1906.09609},
year = {2019}
}
备注
Proceedings of the 2019 SF2A meeting. 4 pages, 6 figures