論文の概要: Identification and Classification of Exoplanets Using Machine Learning Techniques

• arxiv url: http://arxiv.org/abs/2305.09596v1
• Date: Tue, 16 May 2023 16:51:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-17 14:00:49.797292
• Title: Identification and Classification of Exoplanets Using Machine Learning Techniques
• Title（参考訳）: 機械学習を用いた外惑星の同定と分類
• Authors: Prithivraj G and Alka Kumari
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: NASA's Kepler Space Telescope has been instrumental in the task of finding the presence of exoplanets in our galaxy. This search has been supported by computational data analysis to identify exoplanets from the signals received by the Kepler telescope. In this paper, we consider building upon some existing work on exoplanet identification using residual networks for the data of the Kepler space telescope and its extended mission K2. This paper aims to explore how deep learning algorithms can help in classifying the presence of exoplanets with less amount of data in one case and a more extensive variety of data in another. In addition to the standard CNN-based method, we propose a Siamese architecture that is particularly useful in addressing classification in a low-data scenario. The CNN and ResNet algorithms achieved an average accuracy of 68% for three classes and 86% for two-class classification. However, for both the three and two classes, the Siamese algorithm achieved 99% accuracy.
• Abstract（参考訳）: NASAのケプラー宇宙望遠鏡は、我々の銀河に太陽系外惑星が存在することを発見するのに役立っている。 この探索はケプラー望遠鏡が受信した信号から外惑星を識別する計算データ解析によって支持されている。 本稿では,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のにどのように役立つかを検討することである。 標準CNN法に加えて,低データシナリオにおける分類処理に特に有用であるSiameseアーキテクチャを提案する。 cnnアルゴリズムとresnetアルゴリズムは、3つのクラスの平均精度を68%、2つのクラスを86%達成した。 しかし、3クラスと2クラスの両方で、シームズアルゴリズムは99%の精度を達成した。

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)
• Sphere2Vec: A General-Purpose Location Representation Learning over a Spherical Surface for Large-Scale Geospatial Predictions [73.60788465154572]
  現在の2Dおよび3D位置エンコーダはユークリッド空間における点距離をモデル化するために設計されている。 本研究では,球面上の点座標を符号化する場合に,球面距離を保存できるSphere2Vecというマルチスケール位置エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:55:02Z)
• 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)
• Satellite Image Time Series Analysis for Big Earth Observation Data [50.591267188664666]
  本稿では,機械学習を用いた衛星画像時系列解析のためのオープンソースRパッケージである sit について述べる。 本手法は, Cerrado Biome のケーススタディにより, 土地利用と土地被覆マップの精度が高いことを示す。
  論文  参考訳（メタデータ） (2022-04-24T15:23:25Z)
• Identifying Exoplanets with Machine Learning Methods: A Preliminary Study [1.553390835237685]
  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。
  論文  参考訳（メタデータ） (2022-04-01T23:48:26Z)
• Identifying Potential Exomoon Signals with Convolutional Neural Networks [0.0]
  コンボリューションニューラルネットワーク(CNN)のアンサンブルをトレーニングし、ケプラーが観測した単一トランジットイベントにおける候補エクソモオン信号を特定する。 これらのトランジットのごく一部には月のような信号が含まれているが、この結果からエキソモンの発生率の強い推測には注意が必要である。
  論文  参考訳（メタデータ） (2021-09-22T03:37:09Z)
• DeepSatData: Building large scale datasets of satellite images for training machine learning models [77.17638664503215]
  本稿では,機械学習モデルの学習のための衛星画像データセットの自動生成のための設計検討を行う。 本稿では,ニューラルネットワークの深層学習と評価の観点から直面する課題について論じる。
  論文  参考訳（メタデータ） (2021-04-28T15:13:12Z)
• AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
  現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。 探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。 学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
  論文  参考訳（メタデータ） (2021-03-22T13:28:56Z)
• Automated identification of transiting exoplanet candidates in NASA Transiting Exoplanets Survey Satellite (TESS) data with machine learning methods [1.9491825010518622]
  AI/ML ThetaRayシステムは当初ケプラー太陽系外惑星のデータで訓練され、確認された太陽系外惑星で検証される。 TESSミッションで発生したしきい値交差イベント(TCE)の10,803光曲線へのThetaRayの適用により、39の新たな惑星候補が発見された。
  論文  参考訳（メタデータ） (2021-02-20T12:28:39Z)
• Exoplanet Detection using Machine Learning [0.0]
  トランジット法を用いて外惑星を検出する機械学習に基づく新しい手法を提案する。 ケプラーのデータでは、AUCが0.948である惑星を予測できるため、真の惑星信号の94.8%が非惑星信号よりも高い位置にある。 トランジット系外惑星探査衛星(TESS)のデータでは、我々の方法では光曲線を0.98の精度で分類することができ、0.82のリコールで惑星を0.63の精度で識別できることがわかった。
  論文  参考訳（メタデータ） (2020-11-28T14:06:39Z)

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。