.png){kind=icon}
返回
Characterizing non-transiting exoplanets through transit timing variations using deep learning
.png){kind=icon}
PRE
AI
DOI：10.1140/epjs/s11734-025-02033-9.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
利用凌星时间变化（TTV）来表征系外行星系统的行星质量已被证明是一种高效且成熟的技术。常规方法涉及将TTV时间序列拟合到系统的预定义模型中。该方法已被成功应用于估计双行星系统中的非凌星伴星质量。在此，我们提出一种替代方法，即使用深度卷积神经网络来分类此类伴星的质量和周期。我们训练了流行的残差网络ResNet50，并考虑了不同的架构，以识别以riverplots形式编码的凌星行星光曲线图像。我们讨论了凌星效应（如边缘昏暗和星震噪声）的纳入对网络预测能力的影响。我们还讨论了使用不同数量的训练类别（质量与周期）对分类的影响，包括平衡与不平衡的情况。我们展示了使用约50万个合成riverplots训练的ResNet50在周期和质量分类上的结果。在合成riverplots上应用时，我们获得了质量分类约40%、周期分类约60%的测试准确率；在真实开普勒行星riverplots上应用时，质量分类接近40%、周期分类约25%。
期刊
T
IF:
0
论文数:
446
被引数:
0
机构
引用论文
GRIT: A Package for Structure-Preserving Simulations of Gravitationally Interacting Rigid Bodies
OAAI
OAAI分享收藏Identifying Exoplanets with Deep Learning: A Five-planet Resonant Chain around Kepler-80 and an Eighth Planet around Kepler-90.png)
ASTRONOMICAL JOURNAL
OAAI
ASTRONOMICAL JOURNALIF5.1
OAAI分享收藏Exoplanet validation with machine learning: 50 new validated Kepler planets机器学习的系外行星验证: 50颗新的经验证的开普勒行星OAAI
OAAI分享收藏
查看更多内容