用循环深度神经网络在 Kepler 与 TESS 数据中寻找耀斑
太阳与恒星天体物理
2021-08-25 v2 天体物理仪器与方法
摘要
恒星耀斑是磁活动的重要方面——无论对恒星演化还是星周宜居性视角而言——但在天文学大数据时代，自动且准确地发现它们对研究者仍是一项挑战。我们提出一项利用深度神经网络在星载测光数据中探测耀斑的实验。使用一组人工数据与真实测光数据，我们训练了若干神经网络，发现性能最佳的架构是使用长短期记忆（LSTM）层的循环神经网络（RNN）。训练最佳的网络以 的召回率与精度检测超过 {} 的耀斑，并能够区分典型假信号（如 RR Lyr 星极大）与真实耀斑。将在 Kepler 数据上训练的网路用于 TESS 光变曲线测试表明，该神经网络能够泛化并在具有此前未见采样与特征的完全新数据中以找到相似效果的耀斑。
引用
@article{arxiv.2105.11485,
title = {Finding flares in Kepler and TESS data with recurrent deep neural networks},
author = {Krisztián Vida and Attila Bódi and Tamás Szklenár and Bálint Seli},
journal= {arXiv preprint arXiv:2105.11485},
year = {2021}
}
备注
9 pages (+1 appendix), 10 figures, accepted for publication at A&A