以機器學習法尋找TESS資料庫之凌星事件｜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：	呂欣儒 Lu, Shin-Ru
論文名稱：	以機器學習法尋找TESS資料庫之凌星事件 Searching Transit Events from TESS Database through Machine Learning Techniques
指導教授：	葉麗琴 Yeh, Li-Chin 李俊璋 Lee, Chiun-Chang
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：	2023
畢業學年度：	111
語文別：	中文
論文頁數：	45
中文關鍵詞：	機器學習、凌星法、系外行星、卷積神經網路、人工智慧
相關次數：	點閱：88 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

本文使用機器學習方式與凌星法尋找TESS數據資料中凌星週期在一到二天的候選系外行星，並比較使用1D-CNN與2D-CNN模型進行預測的差別。我們將原始光曲線進行資料處理後作為雜訊，使用凌星模組Mandel & Agol [4]加入凌星訊號，建立CNN模型MA與MD，選出合適的樣本大小並使用交叉驗證法訓練模型，探討不連續資料與折疊週期和凌星週期不同時分別對於模型之影響，選取效能較好的模型進行預測找出可能的候選系外行星，並計算出可能候選系外行星與理論光曲線的誤差值，選取誤差最小的作為候選系外行星，最後找到1個候選系外行星。

We compared the performance of 1D-CNN and 2D-CNN models to explore the effectiveness of these methods on TESS data. We processed the original light curves as noise and used the mangol module (Mandel & Agol [4]) to add the transit signal. We constructed MA and MD CNN models, and determined the appropriate sample size. Finally, we trained our CNN models with K-fold Cross-Validation. We investigated the performance of different models when the folding periods is different from the transit periods on our CNN models. The better models are selected to predict potential exoplanet candidate. Moreover, we calculated the error value between the actual and theoretic light curve, and chose the exoplanet candidate with the smallest error. Finally, we found one exoplanet candidate with the period from 1 to 2 days.

摘要……I
Abstract……II
致謝……III
第一章 簡介……1
第二章 資料處理……4
1 建立時間模組……4
2 資料分群、標準化與除去標準差……5
2.1 資料分群與標準化……5
2.2 除去雜訊……5
3 選擇除去不同倍數的雜訊……6
4 折疊……7
5 訓練資料選擇……9
6 參數選擇……9
6.1 探討t0範圍……10
6.2 探討a_rs範圍……10
6.3 探討rp_rs範圍……11
6.4 探討i範圍……11
6.5 選定參數範圍……13
7 內插法……14
第三章 訓練方式……16
1 訓練模型……16
2 訓練過程……20
3 建立 CNN 模型……21
3.1 CNN結構……21
3.2 K-fold交叉驗證法……23
4 不連續資料對於各模型之影響……24
5 學習曲線……26
第四章 凌星週期與折疊週期不同……28
1 折疊與凌星週期不同之模型……28
2 MA模型與MD模型之比較……30
第五章 尋找候選系外行星……33
1 MA1與MA4模型……34
1.1 MA1模型……34
1.2 MA4模型……36
2 MD1與 MD4模型……37
3 1D-CNN模型與 2D-CNN模型之比較……38
第六章 結論……41
參考文獻……43
附錄……45
                                

[1] Chintarungruangchai, P., & Jiang, I.-G. (2019). Detecting exoplanet transits through machine-learning techniques with convolutional neural networks. Publications of the Astronomical Society of the Pacific, 131(1000), 064502.
[2] Huang, C. X. et al. (2018). TESS discovery of a transiting super-Earth in the pi Mensae System. The Astrophysical Journal Letters, 868(2), L39.
[3] Kohavi, R. (1995). A study of cross-validation and bootstrap for accuracy estimation and model selection. In Ijcai ,Vol. 14, No. 2, pp. 1137-1145.
[4] Mandel, K., & Agol, E. (2002). Analytic light curves for planetary transit searches. The Astrophysical Journal, 580(2), L171.
[5] 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.
[6] Yeh, L.-C., & Jiang, I.-G. (2020). Searching for Possible Exoplanet Transits from BRITE Data through a Machine Learning Technique. Publications of the Astronomical Society of the Pacific, 133(1019), 014401.
[7] STScl | Mikulski Archive for Space Telescopes (MAST) Portal。檢自https://mast.stsci.edu/portal/Mashup/Clients/Mast/Portal.html?fbclid=IwAR2DIVGCwuhyl_a7RQmGgEmUy-lDodzlKeFJekyLWlWIYUacGeguobrCwt8
[8] TESS -FFI/TP/LC Bulk Downloads。檢自
https://archive.stsci.edu/tess/bulk_downloads/bulk_downloads_ffi-tp-lc-dv.html

簡易檢索 / 詳目顯示

相關論文