机器学习在相接双星研究中的应用
文献类型：学位论文
| 作者 | 丁旭
|
| 答辩日期 | 2022-07-01 |
| 文献子类 | 博士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 季凯帆 |
| 关键词 | 机器学习 相接双星 疏散星团 统计分析 |
| 学位专业 | 天文技术与方法 |
| 其他题名 | Application of machine learning to the study of contact binaries |
| 英文摘要 | 相接双星是密近双星中的一种，其两颗子星拥有公共包层，子星之间具有强烈的物质交流和相互作用，它的形成和演化至今仍然是一个值得深入研究的课题。随着各种巡天望远镜（如空间Kepler和TESS望远镜 ，地面ZTF望远镜）的开展，高达百万条的光变曲线被释放，其中相接双星的光变曲线也达到数十万。但是如何对这些海量数据进行识别、分类，以及参数解轨明显已经成为一个瓶颈问题。如采用经典的WD或者Phoebe程序对光变曲线进行参数解轨，一个目标的解轨时间就需要长达数小时及数天的时间，这显然是难以承受的。基于这种情况，本论文的核心内容就是将机器学习应用到相接双星光变曲线的数据处理中，包括识别、分类和解轨。我们不但建立起一套完整的基于机器学习的相接双星光变曲线处理方法和流程，而且应用到TESS和ZTF的观测数据中，分别产生了对应的相接双星参数星表。同时，我们也发展了一套疏散星团中的成员星的判定方法，并对成员星中的相接双星进行了解轨。本文的工作包括如下内容：1. 提出了一种基于LSSNR的周期性变星识别方法。该方法能够较准确的识别周期性变星，并给出相对准确的周期。在对TESS望远镜所释放的数据1-43个扇区的光变曲线数据进行周期性变星的搜寻，总共获得了26206颗周期性变星。2. 建立了基于神经网络的周期性变星分类模型。通过对光变曲线进行傅里叶变换，选取低频项的振幅和变星周期作为特征，实现数据降维并简化神经网络模型，最终F1-score平均值为96%。将这一方法应用在TESS巡天数据中，其中87.9%的目标的分类概率大于90%。3. 提出并实现了基于神经网络和MCMC的快速批量解轨方法。首先使用Phoebe产生的数十万条理论光变曲线作为训练样本，分别训练了从光变曲线到和对应的参数之间的回归神经网络（反向模型）和从参数到光变曲线的回归神经网络（正向模型）；然后用反向模型的预测值作为初值，实现了联合正向模型和MCMC的快速批量解轨。最终得到的相接双星参数包括质量比、轨道倾角、温度比、相接度和第三光比例，以及给出参数的误差范围。使用这套方法进行解轨，计算效率比以前提高4个量级，在普通的I7 CPU计算机上二十秒钟就可以求解一颗目标，从而使得海量相接双星解轨成为可能。我们使用这套方法对Kepler望远镜释放的相接双星数据进行了解轨，并和前人结果对比, 证明了从精度上表明本方法也有非常好的表现。4. 基于我们的方法，针对TESS空间望远镜数据和ZTF地面望远镜数据特点分别建模，对他们的观测数据进行了相接双星的识别、分类和参数解轨，最后再用Phoebe程序产生相应的光变曲线和观测数据进行比对以验证求解的准确性。最终产生了TESS相接双星参数星表（699颗）和ZTF相接双星参数星表（86365颗）。最后对参数分布也进行了初步的统计，并和前人在小样本上的结论进行了比较。5．发展了基于DBSCAN的疏散星团成员星判定方法，并将新的解轨方法应用在星团成员星中的相接双星。使用30个星团数据对该方法进行验证，结果表明本判定方法能够获得更多可靠的星团成员星，探测的G星等达到21等左右。对NGC 6791星团成员星中的相接双星进行识别，获得了4颗EW型的光变曲线，并且对其中一颗相接双星进行解轨。本文应用了机器学习的诸多方法（包括无监督学习的降维和聚类，有监督学习的分类和回归）到相接双星的识别、分类和解轨以及星团成员星的判定中，提出了一套较为完整的海量相接双星光变曲线的处理方法并得到了一些相应的科学结果。这些方法也对处理其他类型双星提供借鉴作用。 |
| 学科主题 | 天文学 |
| 语种 | 中文 |
| 页码 | 0 |
| 源URL | [http://ir.ynao.ac.cn/handle/114a53/25786]  |
| 专题 | 云南天文台_丽江天文观测站（南方基地） |
| 作者单位 | 中国科学院云南天文台 |
| 推荐引用方式 GB/T 7714 | 丁旭. 机器学习在相接双星研究中的应用[D]. 北京. 中国科学院大学. 2022. |
入库方式： OAI收割
来源：云南天文台
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。