深度神经网络在sdBV分类中的应用
天体物理仪器与方法
2023-06-02 v2
摘要
随着LSST、TESS、ZTF和Evryscope等多个新的大规模巡天即将开展，将需要更快、更精确的分析方法来充分处理所产生的海量数据。深度学习已在工业界应用多年，能够以极高速率在极少预处理的数据集中进行高级特征检测；然而，尽管该方法具有优势，其在天体物理学中的应用尚未得到广泛探索。这种匮乏可能是由于研究人员缺乏可用的训练数据。在此我们生成了松散模拟声学模式脉动星性质的合成数据，并表明深度学习的两种独立范式——人工神经网络(Artificial Neural Network)和卷积神经网络(Convolutional Neural Network)——均可有效用于对该合成数据进行分类，且此外该分类可在较少调整网络超参数时间的情况下以较高准确度完成。
引用
@article{arxiv.1711.11421,
title = {The applications of deep neural networks to sdBV classification},
author = {Emily M. Boudreaux},
journal= {arXiv preprint arXiv:1711.11421},
year = {2023}
}
备注
12 pages, 10 figures, originally presented at sdOB8