論文の概要: Identifying Exoplanets with Machine Learning Methods: A Preliminary Study

• arxiv url: http://arxiv.org/abs/2204.00721v1
• Date: Fri, 1 Apr 2022 23:48:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-05 16:25:50.521590
• Title: Identifying Exoplanets with Machine Learning Methods: A Preliminary Study
• Title（参考訳）: 機械学習による外惑星の同定--予備的研究
• Authors: Yucheng Jin, Lanyi Yang, Chia-En Chiang
• Abstract要約: 本研究では,太陽系外惑星の同定に機械学習を用いた手法を提案する。 我々はケプラー宇宙観測所からNASAが収集したケプラーデータセットを用いて教師あり学習を行った。 我々はまた、k平均クラスタリングを用いて、確認された外惑星を異なるクラスタに分割する教師なし学習も行った。
• 参考スコア（独自算出の注目度）: 1.553390835237685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The discovery of habitable exoplanets has long been a heated topic in astronomy. Traditional methods for exoplanet identification include the wobble method, direct imaging, gravitational microlensing, etc., which not only require a considerable investment of manpower, time, and money, but also are limited by the performance of astronomical telescopes. In this study, we proposed the idea of using machine learning methods to identify exoplanets. We used the Kepler dataset collected by NASA from the Kepler Space Observatory to conduct supervised learning, which predicts the existence of exoplanet candidates as a three-categorical classification task, using decision tree, random forest, na\"ive Bayes, and neural network; we used another NASA dataset consisted of the confirmed exoplanets data to conduct unsupervised learning, which divides the confirmed exoplanets into different clusters, using k-means clustering. As a result, our models achieved accuracies of 99.06%, 92.11%, 88.50%, and 99.79%, respectively, in the supervised learning task and successfully obtained reasonable clusters in the unsupervised learning task.
• Abstract（参考訳）: 居住可能な太陽系外惑星の発見は、長い間天文学における熱い話題であった。 従来の太陽系外惑星の同定法には、ウォブル法、直接撮像法、重力マイクロレンズ法などがあり、これは人力、時間、お金のかなりの投資を必要とするだけでなく、天文望遠鏡の性能にも制限されている。 本研究では、太陽系外惑星の同定に機械学習を用いた方法を提案する。 我々は、nasaがケプラー宇宙天文台から収集したケプラーデータセットを用いて、太陽系外惑星候補の存在を3つのカテゴリーの分類タスクとして予測し、決定木、ランダムフォレスト、na\"ive bayes、ニューラルネットワークを用いて予測し、確認された太陽系外惑星データからなる別のnasaデータセットを使用して、k-meansクラスタリングを用いて、確認された太陽系外惑星を異なるクラスターに分割する非教師なし学習を行った。 その結果,教師あり学習タスクでは,99.06%,92.11%,88.50%,99.79%の精度が得られた。

関連論文リスト

• DBNets: A publicly available deep learning tool to measure the masses of young planets in dusty protoplanetary discs [49.1574468325115]
  我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。 アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。 DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。 光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
  論文  参考訳（メタデータ） (2024-02-19T19:00:09Z)
• Unsupervised Machine Learning for the Classification of Astrophysical X-ray Sources [44.99833362998488]
  我々は、Chandra Source Catalogソースに確率的クラスを提供するための教師なし機械学習アプローチを開発した。 約14,507個の検出結果を含む8,756個の情報源を対象とした確率クラスのカタログを提供する。 分類対象物の特徴分布と確立された天体物理仮説との整合性について検討した。
  論文  参考訳（メタデータ） (2024-01-22T18:42:31Z)
• Identification and Classification of Exoplanets Using Machine Learning Techniques [0.0]
  ケプラー宇宙望遠鏡とその拡張ミッションK2のデータに対する残差ネットワークを用いた太陽系外惑星の同定に関する既存の研究について検討する。 本研究の目的は、深層学習アルゴリズムが、あるケースにおけるデータ量の少ない外惑星の存在と、別のケースにおけるより広範なデータの存在を分類する上で、どのように役立つかを明らかにすることである。
  論文  参考訳（メタデータ） (2023-05-16T16:51:07Z)
• Revisiting mass-radius relationships for exoplanet populations: a machine learning insight [0.0]
  我々は効率的な機械学習手法を用いて、762個の太陽系外惑星と8個の太陽系外惑星からなるデータセットを解析した。 異なる教師なしクラスタリングアルゴリズムを適用することで、データを「小さい」惑星と「巨大な」惑星の2つの分類に分類する。 我々の分析は、惑星の質量、軌道周期、恒星質量が太陽系外惑星半径を予測する重要な役割を担っていることを強調している。
  論文  参考訳（メタデータ） (2023-01-17T19:15:06Z)
• Enabling Astronaut Self-Scheduling using a Robust Advanced Modelling and Scheduling system: an assessment during a Mars analogue mission [44.621922701019336]
  アナログ宇宙飛行士の乗組員によるコンピュータ意思決定支援ツールの使用について検討した。 提案されたツールはRomieと呼ばれ、Robost Advanced Modelling and Scheduling (RAMS)システムの新しいカテゴリに属している。
  論文  参考訳（メタデータ） (2023-01-14T21:10:05Z)
• Locating Hidden Exoplanets in ALMA Data Using Machine Learning [10.316742952272394]
  機械学習が惑星の存在を迅速かつ正確に検出できることを実証する。 我々はシミュレーションから生成された合成画像に基づいてモデルを訓練し、実際の観測に応用して、実際の系における形成惑星を同定する。
  論文  参考訳（メタデータ） (2022-11-17T14:02:16Z)
• 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)
• ExoSGAN and ExoACGAN: Exoplanet Detection using Adversarial Training Algorithms [0.0]
  我々は、K2データ中の移動系外惑星を検出するために、2種類の生成逆数ネットワークを使用する。 本手法では,テストデータに基づいて光曲線をリコール精度1.00の精度で分類することができる。
  論文  参考訳（メタデータ） (2022-07-20T05:45:36Z)
• Automation Of Transiting Exoplanet Detection, Identification and Habitability Assessment Using Machine Learning Approaches [0.0]
  我々はケプラー望遠鏡で捉えた恒星からの光強度曲線を分析し、惑星系の存在の性質を示すポテンシャル曲線を検出する。 我々は、いくつかの最先端機械学習とアンサンブルアプローチを活用することで、外惑星識別と居住可能性判定の自動化に取り組む。
  論文  参考訳（メタデータ） (2021-12-06T19:00:12Z)
• A Spacecraft Dataset for Detection, Segmentation and Parts Recognition [42.27081423489484]
  本稿では,宇宙船検出,インスタンスのセグメンテーション,部分認識のためのデータセットをリリースする。 この研究の主な貢献は、宇宙ステーションと衛星の画像を用いたデータセットの開発である。 また、データセットのベンチマークとして、オブジェクト検出やインスタンスセグメンテーションにおける最先端の手法による評価も提供する。
  論文  参考訳（メタデータ） (2021-06-15T14:36:56Z)
• Active learning with RESSPECT: Resource allocation for extragalactic astronomical transients [41.74772877196879]
  RESSPECTプロジェクトは、Rubin Observatory Legacy Survey of Space and Timeのために最適化されたトレーニングサンプルを構築することを目的としている。 我々は,現実的なシミュレートされた天文学的データシナリオにおいて,能動的学習技術の堅牢性をテストする。
  論文  参考訳（メタデータ） (2020-10-12T18:04:04Z)

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。