論文の概要: Artificial Neural Network classification of asteroids in the M1:2 mean-motion resonance with Mars

• arxiv url: http://arxiv.org/abs/2103.15586v1
• Date: Mon, 29 Mar 2021 13:03:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-06 06:08:19.370054
• Title: Artificial Neural Network classification of asteroids in the M1:2 mean-motion resonance with Mars
• Title（参考訳）: 火星とのm1:2平均運動共鳴における小惑星の人工ニューラルネットワーク分類
• Authors: V. Carruba, S. Aljbaae, R. C. Domingos, W. Barletta
• Abstract要約: 人工ニューラルネットワークを用いて、火星とM1:2の平均運動共鳴によって影響を受ける小惑星の軌道を同定する。 提案モデルでは, 小惑星共鳴画像の同定において, 85%以上の精度を達成できた。 遺伝的アルゴリズムを用いて最適化された教師付き機械学習手法を用いて、この地域の全ての多目的小惑星の軌道状態も予測した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial neural networks (ANN) have been successfully used in the last years to identify patterns in astronomical images. The use of ANN in the field of asteroid dynamics has been, however, so far somewhat limited. In this work we used for the first time ANN for the purpose of automatically identifying the behaviour of asteroid orbits affected by the M1:2 mean-motion resonance with Mars. Our model was able to perform well above 85% levels for identifying images of asteroid resonant arguments in term of standard metrics like accuracy, precision and recall, allowing to identify the orbital type of all numbered asteroids in the region. Using supervised machine learning methods, optimized through the use of genetic algorithms, we also predicted the orbital status of all multi-opposition asteroids in the area. We confirm that the M1:2 resonance mainly affects the orbits of the Massalia, Nysa, and Vesta asteroid families.
• Abstract（参考訳）: 人工ニューラルネットワーク(ANN)は、天文学的な画像のパターンを識別するためにここ数年で成功している。 しかし、小惑星力学の分野でのANNの使用は、これまである程度制限されてきた。 この研究では、火星とM1:2の平均運動共鳴によって影響を受ける小惑星軌道の挙動を自動的に識別するために、初めてANNを使用した。 我々のモデルでは、精度、精度、リコールといった標準指標を用いて、小惑星共鳴の画像を識別するために85%以上のレベルを達成できたため、この領域の全ての小惑星の軌道タイプを特定できた。 また,遺伝的アルゴリズムを用いて最適化された教師付き機械学習手法を用いて,全小惑星の軌道状態の予測を行った。 m1:2共鳴は、主にマッサーリア、nysa、ヴェスタの小惑星群に影響を与えることが確認された。

関連論文リスト

• Astrometric Binary Classification Via Artificial Neural Networks [0.0]
  人工ニューラルネットワーク(ANN)を用いて、星の集合が天文的二元対に属するか否かを自動分類する機械学習(ML)手法を提案する。 ANNは99.3%の精度、0.988の精度、0.991のリコール率、0.999のAUCを高い分類スコアで達成している。
  論文  参考訳（メタデータ） (2024-09-15T00:34:30Z)
• NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
  我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。 我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。 さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
  論文  参考訳（メタデータ） (2024-08-28T02:17:58Z)
• Improved Generalization of Weight Space Networks via Augmentations [56.571475005291035]
  深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用 我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。 そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:34:44Z)
• Taxonomic analysis of asteroids with artificial neural networks [7.274273862904249]
  近いうちに、中国宇宙望遠鏡(CSST)は、25マグと23マグよりも明るい大きさの小惑星に対して、複数の色と分光データを提供する予定である。 人工ニューラルネットワーク(ANN)を用いて小惑星分類の予備分類モデルを構築する。 SMASS IIスペクトルとBus-Binzel分類システムを用いて、5つのANNからなるANN分類ツールを構築した。
  論文  参考訳（メタデータ） (2023-11-18T03:27:26Z)
• Semantic Segmentation in Satellite Hyperspectral Imagery by Deep Learning [54.094272065609815]
  本稿では1D-Justo-LiuNetという軽量な1D-CNNモデルを提案する。 1D-Justo-LiuNetは、全てのテストモデルの中で最小のモデルサイズ (4,563 パラメータ) を持つ最大精度 (0.93) を達成する。
  論文  参考訳（メタデータ） (2023-10-24T21:57:59Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Towards Asteroid Detection in Microlensing Surveys with Deep Learning [0.0]
  小惑星は、ほとんどの天文学的な調査では確認不可能な部分である。 本稿ではMOAプロジェクトによって収集されたマイクロレンズデータから小惑星の回収と発見のための新しい深層学習ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-11-04T03:16:23Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• Autonomous Asteroid Characterization Through Nanosatellite Swarming [0.0]
  本稿では,同時ナビゲーション・キャラクタリゼーション (SNAC) と呼ばれる推定問題のクラスを定義する。 その後、自律ナノサテライト・スワーミング(ANS)ミッションの概念のためにSNACフレームワークが開発された。 ANSは低SWaP-Cアビオニクスを備えた複数の自律ナノサテライトで構成されている。
  論文  参考訳（メタデータ） (2022-10-11T15:07:55Z)
• Optimization of Artificial Neural Networks models applied to the identification of images of asteroids' resonant arguments [0.6449761153631166]
  近年の研究では、畳み込みニューラルネットワーク(CNN)モデルを使用して、そのようなタスクを自動的に実行している。 このようなモデルの結果を、VGG、Inception、ResNetなど、最も先進的で一般公開されているCNNアーキテクチャの結果と比較する。 VGGモデルは、正規化と非正規化により、大規模なデータセットのラベルを予測する最も効率的な方法であることが判明した。
  論文  参考訳（メタデータ） (2022-07-28T15:46:39Z)
• SNN2ANN: A Fast and Memory-Efficient Training Framework for Spiking Neural Networks [117.56823277328803]
  スパイクニューラルネットワークは、低消費電力環境における効率的な計算モデルである。 本稿では,SNNを高速かつメモリ効率で学習するためのSNN-to-ANN(SNN2ANN)フレームワークを提案する。 実験結果から,SNN2ANNをベースとしたモデルがベンチマークデータセットで良好に動作することが示された。
  論文  参考訳（メタデータ） (2022-06-19T16:52:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。