注意间隙：改进非均匀采样数据中周期性检测的方法

在不规则采样时间序列中检测周期性信号是天文学中常见的问题。用于周期搜索的传统工具（如周期图）在不规则采样下统计性质定义不明确，这使得推断用于假设检验的底层非周期变异性变得复杂。在存在随机变异性的情况下，问题更加严重，因为随机变异性很容易被误认为是真实的周期性行为，特别是在采样不良的光变曲线中。在此，我们提出了一种基于高斯过程（GPs）建模的周期搜索与表征方法，专门用于克服这些问题。我们认为，在不规则采样时间序列的情况下，GPs 提供了传统周期图的一种极具吸引力的替代方案，因为已知的数据分布（相关高斯分布）允许构建定义明确的似然函数。我们利用这一特性并借鉴现有的统计方法，以数据推断出的非周期变异性作为零假设，对额外的（准）周期性分量执行传统的似然比检验。从数据中推断噪声使得该方法具有完全的通用性，唯一条件是数据可以描述为高斯过程。我们通过将该方法应用于表现出不同噪声和数据质量水平的多种天体来演示该方法。讨论了该方法的局限性，并公开提供了一个实现所提方法的软件包。