機器學習之不同雜訊生成法的比較研究｜國立清華大學博碩士論文庫

簡易檢索 / 詳目顯示

回結果列表

研究生：	倪毓均 Ni, Yu-Chun
論文名稱：	機器學習之不同雜訊生成法的比較研究 The Comparison of Noise Generation Methods in Machine Learning
指導教授：	葉麗琴 Yeh, Li-Chin
口試委員:	江瑛貴 Jiang, Ing-Guey 陳賢修 Chen, Shyan-Shiou
學位類別：	碩士 Master
系所名稱：	理學院 - 計算與建模科學研究所 Institute of Computational and Modeling Science
論文出版年：	2022
畢業學年度：	110
語文別：	中文
論文頁數：	47
中文關鍵詞：	機器學習、系外行星、凌星法、數據分析、克卜勒任務
外文關鍵詞：	machine learning, exoplanet, transit method, data analysis, kepler mission
相關次數：	點閱：2 下載：0
分享至:	分享至facebook 分享至twitter

查詢本校圖書館目錄查詢臺灣博碩士論文知識加值系統勘誤回報

我們使用機器學習方法，比較兩種不同的雜訊生成方式。雜訊生成方法分為，以Kepler Q1資料集中的光曲線作為原始雜訊的資料集，與以Pearson等(2019)[3] 的準週期系統模型生成的雜訊資料集。由每一種方法加上(Mandel & Agol, 2002)[2] 模擬理論光曲線的公式後，建構出幾種樣本數大小的訓練資料集，並使用交叉驗證訓練CNN模型。訓練完成後，分析由每一種方法建構出的資料所訓練出的模型性能，比較其差異。再選擇性能最好的，用來尋找Keper Q1資料集中可能有凌星現象之光曲線。計算理論光曲線與實際光曲線的誤差，以誤差最小的光曲線作為候選行星。在週期介於2天到4天之間，我們總共找到3個候選行星。

We used a machine learning method to compare two different kinds of noise generated light curves. The methods of generated light curves are including: one is original noise data generated from dataset light curves in Kepler Q1 dataset, and the other one is noise data generated from quasi-period system by Pearson et al. (2019)[3] After constructing several training datasets by using those two methods with theoretic light curve formula in Mandel & Agol (2002) [2], we trained our CNN model with K-fold Cross-Validation. We analyzed and test the performance of models, then we selected the best method to search possible transit light curves for Kepler Q1 dataset. We also calculate the error value between a theoretic and actual light curve, and choose the smallest one to be the exoplanet candidate. We totally found three exoplanet candidates with period in 2 to 4 days.

摘要----i
Abstract----ii
致謝----iii
第一章 簡介----1
第二章 資料處理與CNN模型----3
2.1 分群及標準化----4
2.2 減少極端值和時間間距的選擇----5
2.3 資料摺疊----7
2.4 內插法----9
2.5 CNN模型結構與訓練方式----11
第三章 研究方法----13
3.1 系外行星模型----13
3.2 Kepler望遠鏡觀測數據生成雜訊資料----17
3.3 準週期系統模型生成雜訊資料----19
3.4 K資料集與P資料集之比較----22
第四章 訓練結果----26
4.1 模型訓練結果----26
4.2 模型性能分析----30
4.3 模型預測分析----33
第五章 尋找候選系外行星----37
5.1 K模型與P模型皆找到之候選系外行星----38
5.2 僅K模型找到之候選系外行星----39
第六章 結論----42
參考文獻----43
附錄----44


                                

[1] 郭芷綺(2020)。以機器學習法搜尋系外行星的研究。國立清華大學碩士論文。
[2] Mandel, K., & Agol, E. (2002). Analytic light curves for planetary transit searches. The Astrophysical Journal, 580:L171–L175, 2002 December 1
[3] Pearson, K.A., Palafox, L., & Griffith, C.A. (2018). Searching for exoplanets using artificial intelligence. Monthly Notices of the Royal Astronomical Society, 474(1), 478-491.
[4] Yeh, Li-Chin & Jiang, Ing-Guey (2021). Searching for Possible Exoplanet Transits from BRITE Data through a Machine Learning Technique. Publications of the Astronomical Society of the Pacific, 133:014401 (12pp), 2021 January.

簡易檢索 / 詳目顯示

相關論文