光学巡天中类星体天体物理建模与测光红移估计的机器学习技术
天体物理学
2009-01-06 v2
摘要
机器学习技术如今被应用于天体物理研究的多个领域。本论文探讨了ML技术在天体物理学中两类问题上的应用，即单个天文现象随时间变化的分析，以及大型光学巡天中数千个天体的自动同步分析。具体研究了：(1) 基于地基观测近似木星和土星卫星精确轨道的技术，以及(2) 快速估计斯隆数字巡天中观测到的类星体距离的技术。所考虑的学习方法包括遗传算法、粒子群优化、人工神经网络和径向基函数网络。论文第一部分证明，GA和PSO均可有效用于建模在多个维度上高度非线性的函数。随后在第二部分中证明，在拥有精确测光数据的情况下，ANN和RBFN，尤其是与文献中描述的其他基于学习的方法结合使用时，可作为光谱红移的有效预测器。将这些及其他ML技术审慎应用于天文学和天体物理学问题，将有助于更好地理解恒星演化、双星系统、宇宙学以及宇宙的大尺度结构。
引用
@article{arxiv.0811.0520,
title = {Machine learning techniques for astrophysical modelling and photometric redshift estimation of quasars in optical sky surveys},
author = {N. Daniel Kumar},
journal= {arXiv preprint arXiv:0811.0520},
year = {2009}
}
备注
2008, Master's dissertation, Oxford University Computing Laboratory, Oxford, UK, 116 pages; typos corrected