EB工厂项目I：一种快速、基于神经网络、针对食双星优化的通用光变曲线分类器

我们描述了一种新的基于神经网络的光变曲线分类器，并提供了文档，作为社区即用工具。虽然针对食双星的识别和分类进行了优化，但该分类器是通用的，并且针对即将到来的大规模巡天（如LSST）的速度要求而开发。在神经网络训练和大规模数据集的背景下，分类器的一个挑战是最小化描述每条光变曲线所需的参数数量。我们展示了一种简单快速的几何表示，它编码了整体光变曲线形状，结合一个卡方参数来捕获高阶形态信息，从而实现了高效且稳健的光变曲线分类，特别是对于食双星。在ASAS光变曲线数据库上测试分类器，我们实现了食双星98%的检索率和2%的假阳性率。对于大多数其他周期变星类别，包括天琴座RR型、蒭藁增二型和盾牌座δ型，我们也实现了同样高的检索率。然而，该分类器目前难以区分食双星的不同子类，并且对于多模式造父变星，检索率相对较低（约60%）。我们发现，必须使用包含分类器预期执行的全部光变曲线质量范围的样本训练分类器的神经网络；只有当使用含噪样本训练时，分类器才能在含噪光变曲线上表现良好。提供了分类器源代码、辅助程序、训练好的神经网络和使用指南。