論文の概要: Estimation of stellar atmospheric parameters from LAMOST DR8
low-resolution spectra with 20$\leq$SNR$<$30
- arxiv url: http://arxiv.org/abs/2204.06301v1
- Date: Wed, 13 Apr 2022 11:09:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 17:52:57.573821
- Title: Estimation of stellar atmospheric parameters from LAMOST DR8
low-resolution spectra with 20$\leq$SNR$<$30
- Title（参考訳）: 20$\leq$SNR$<$30のLAMOST DR8低分解能スペクトルからの恒星大気パラメータの推定
- Authors: Xiangru Li, Zhu Wang, Si Zeng, Caixiu Liao, Bing Du, X. Kong, Haining
Li
- Abstract要約: 本研究は、LAMOST DR8低分解能スペクトルに対する$T_texttteff, logg$, [Fe/H] 推定問題を20$leq$SNR$30で検討した。
T_texttteff, logg$, [Fe/H] の平均絶対誤差は LASP (137.6 K, 0.195 dex, 0.091 dex) からLASSO-MLP (84.32 K, 0.137 dex) に還元される。
- 参考スコア（独自算出の注目度）: 2.514059405625551
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The accuracy of the estimated stellar atmospheric parameter decreases
evidently with the decreasing of spectral signal-to-noise ratio (SNR) and there
are a huge amount of this kind observations, especially in case of SNR$<$30.
Therefore, it is helpful to improve the parameter estimation performance for
these spectra and this work studied the ($T_\texttt{eff}, \log~g$, [Fe/H])
estimation problem for LAMOST DR8 low-resolution spectra with 20$\leq$SNR$<$30.
We proposed a data-driven method based on machine learning techniques. Firstly,
this scheme detected stellar atmospheric parameter-sensitive features from
spectra by the Least Absolute Shrinkage and Selection Operator (LASSO),
rejected ineffective data components and irrelevant data. Secondly, a
Multi-layer Perceptron (MLP) method was used to estimate stellar atmospheric
parameters from the LASSO features. Finally, the performance of the LASSO-MLP
was evaluated by computing and analyzing the consistency between its estimation
and the reference from the APOGEE (Apache Point Observatory Galactic Evolution
Experiment) high-resolution spectra. Experiments show that the Mean Absolute
Errors (MAE) of $T_\texttt{eff}, \log~g$, [Fe/H] are reduced from the LASP
(137.6 K, 0.195 dex, 0.091 dex) to LASSO-MLP (84.32 K, 0.137 dex, 0.063 dex),
which indicate evident improvements on stellar atmospheric parameter
estimation. In addition, this work estimated the stellar atmospheric parameters
for 1,162,760 low-resolution spectra with 20$\leq$SNR$<$30 from LAMOST DR8
using LASSO-MLP, and released the estimation catalog, learned model,
experimental code, trained model, training data and test data for scientific
exploration and algorithm study.
- Abstract（参考訳）: 推定された恒星大気パラメータの精度は、スペクトル信号対雑音比(SNR)の低下とともに明らかに低下し、特にSNR$<$30の場合、この種の観測は膨大な量である。
したがって、これらのスペクトルのパラメータ推定性能を向上させることは有用であり、この研究は20$\leq$snr$<30の最も低いdrm8低分解能スペクトルに対する(t_\textt{eff}, \log~g$, [fe/h])推定問題を研究した。
機械学習技術に基づくデータ駆動手法を提案する。
第一に、このスキームは、可溶性収縮・選択演算子(LASSO)によってスペクトルから恒星の大気パラメータ感受性の特徴を検出し、非効率なデータ成分と無関係なデータを拒否した。
第2に、LASSO特徴量から恒星大気パラメータを推定するために多層パーセプトロン法(MLP)を用いた。
最後に,APOGEE(Apache Point Observatory Galactic Evolution Experiment)の高分解能スペクトルから,その推定値と基準値との整合性を計算・解析し,LASSO-MLPの性能を評価した。
実験により、$T_\texttt{eff}, \log~g$, [Fe/H] の平均絶対誤差 (MAE) が LASP (137.6 K, 0.195 dex, 0.091 dex) からLASSO-MLP (84.32 K, 0.137 dex, 0.063 dex) に還元され、恒星大気パラメータ推定の顕著な改善が示されている。
さらに、LASSO-MLPを用いたLAMOST DR8から20$\leq$SNR$<30で1,162,760の低分解能スペクトルの恒星大気パラメータを推定し、科学的探索とアルゴリズム研究のための推定カタログ、学習モデル、実験コード、訓練モデル、トレーニングデータおよびテストデータをリリースした。
関連論文リスト
- Using autoencoders and deep transfer learning to determine the stellar parameters of 286 CARMENES M dwarfs [0.0]
本稿では,高分解能スペクトルから恒星パラメータを決定するために,オートエンコーダに基づく特徴量に基づくディープトランスファー学習(DTL)手法を提案する。
CARMENESサーベイで観測された286M小星の有効温度, 表面重力, 金属性, および投射回転速度の新たな推定法を提案する。
論文 参考訳（メタデータ） (2024-05-14T15:42:27Z) - MixLight: Borrowing the Best of both Spherical Harmonics and Gaussian Models [69.39388799906409]
既存の作業では、照明マップを生成したり、照明パラメータを回帰することによって照明を推定する。
本稿では,SHとSGの相補的特性を利用して,より完全な照明表現を実現するジョイントモデルであるMixLightを提案する。
論文 参考訳（メタデータ） (2024-04-19T10:17:10Z) - deep-REMAP: Parameterization of Stellar Spectra Using Regularized
Multi-Task Learning [0.0]
確率的推論のための非対称損失をもつ深層正規化アンサンブルに基づくマルチタスク学習(rmdeep-REMAP$)
我々は、PHOENIXライブラリからのリッチな合成スペクトルと、MARVELSサーベイからの観測データを利用して、恒星の大気パラメータを正確に予測する新しいフレームワークを開発する。
論文 参考訳（メタデータ） (2023-11-07T05:41:48Z) - Astroconformer: The Prospects of Analyzing Stellar Light Curves with
Transformer-Based Deep Learning Models [2.9203802343391057]
我々は、Transformerベースのディープラーニングフレームワークである$textitAstroconformer$を紹介した。
$textitAstroconformer$は優れたパフォーマンスを示し、データリッチなレシエーションで$log gapprox3$で0.017 dexのroot-mean-square-error(RMSE)を達成する。
$textitAstroconformer$は、高い精度で$nu_max$を抽出することにも長けている。
論文 参考訳（メタデータ） (2023-09-28T10:13:23Z) - {\Pi}-ML: A dimensional analysis-based machine learning parameterization
of optical turbulence in the atmospheric surface layer [0.0]
いわゆる光乱流と呼ばれる大気屈折率の乱流変動は、レーザービームを著しく歪ませることができる。
本稿では,次元解析と勾配向上に基づく物理インフォームド・機械学習(ML)手法である$Pi$-MLを提案し,C_n2$を推定する。
論文 参考訳（メタデータ） (2023-04-24T15:38:22Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - Gaussian Process Regression for Absorption Spectra Analysis of Molecular
Dimers [68.8204255655161]
本稿では、ガウス過程回帰(GPR)から数値計算のパラメータを選択する機械学習技術に基づくアプローチについて議論する。
このアプローチは最適パラメータ集合に素早く収束するだけでなく、完全なパラメータ空間に関する情報を提供する。
実際、GPRは量子化学法を用いてこれらのパラメータの直接計算と一致した信頼性の高い結果を与える。
論文 参考訳（メタデータ） (2021-12-14T17:46:45Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳（メタデータ） (2021-06-25T16:01:19Z)
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。