机器学习方法在地面广角巡天中的系外行星凌星探测与候选体验证
地球与行星天体物理
2019-01-23 v1 天体物理仪器与方法
摘要
自广角行星搜索（WASP）计划启动以来，已在 WASP 数据中发现了 160 多颗凌星系外行星。过去，WASP 流水线识别出的可能凌星类事件由人工检查以剔除误报和明显的假阳性。本文的目标是评估机器学习作为一种快速、自动化且可靠的手段，在无人工干预下对地面广角凌星巡天数据执行相同功能的有效性。为此，我们创建了由显示多种信号类型的恒星光变曲线组成的训练和测试数据集，包括行星凌星、食双星、变星和非周期信号。我们使用包括随机森林分类器（RFCs）和卷积神经网络（CNNs）在内的机器学习方法组合来区分不同类型的信号。最终算法在测试数据中正确识别行星的概率约为 90%，尽管每种方法单独使用都有显著比例的假阳性。我们发现，在实践中，不同方法的组合提供了从 WASP 以及引申自类似凌星巡天的数据中识别最有前景的系外行星凌星候选体的最佳途径。
引用
@article{arxiv.1811.07754,
title = {Machine-learning Approaches to Exoplanet Transit Detection and Candidate Validation in Wide-field Ground-based Surveys},
author = {N. Schanche and A. Collier Cameron and G. Hébrard and L. Nielsen and A. H. M. J. Triaud and J. M. Almenara and K. A. Alsubai and D. R. Anderson and D. J. Armstrong and S. C. C. Barros and F. Bouchy and P. Boumis and D. J. A. Brown and F. Faedi and K. Hay and L. Hebb and F. Kiefer and L. Mancini and P. F. L. Maxted and E. Palle and D. L. Pollacco and D. Queloz and B. Smalley and S. Udry and R. West and P. J. Wheatley},
journal= {arXiv preprint arXiv:1811.07754},
year = {2019}
}
备注
15 pages, 9 figures, accepted for publication in MNRAS