使用差分进化模板优化识别恒星耀斑

我们探索了在地面时域巡天不规则采样数据中识别恒星耀斑事件的方法。特别地，我们描述了一种识别耀斑恒星的新技术，并将其实现于一个名为“PyVAN”的公开 Python 模块中。该方法使用差分进化算法来优化不同类型恒星的经验导出光变曲线模板的参数，以拟合候选光变曲线。然后利用这些最佳拟合模板产生观测数据的似然之差，来界定那些能被耀斑模板很好解释但同时难以被常见污染物模板解释的目标。通过在已知身份和形态的光变曲线上进行测试，我们表明我们的技术能够在包含高于设定阈值耀斑事件的所有光变曲线中恢复出 $69\%$ 的耀斑状态，该阈值的设定旨在排除任何污染物群体的 $\lt1\%$。通过应用于 Palomar Transient Factory 数据，我们展示了与先前耀斑恒星样本的一致性，并鉴定了一小部分候选耀斑 G 型星以供可能的后续观测。