BriefGPT - AI 论文速递
·
TESS 全幅图像光变曲线中的短周期变量通过卷积神经网络识别
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本文介绍了一种基于深度学习的方法来测量小行星的径向速度，通过降低恒星的谱线的抖动。作者设计了多种神经网络体系结构，并发现多行CNN能够实现较高的精度。这种方法有望实现对小行星径向速度的准确探测。
🎯
关键要点
- 本文介绍了一种基于深度学习的方法来测量小行星的径向速度。
- 该方法在恒星变化存在的情况下，通过神经网络降低恒星谱线的抖动。
- 作者设计和比较了多种神经网络体系结构，包括单行 CNN、单行 CNN 集合和多行 CNN。
- 多行 CNN 能够恢复 0.2 m/s 的半振幅和 50 天的周期行星。
- 在振幅和周期上，多行 CNN 分别实现了 8.8% 和 0.7% 的误差。
- 这种方法显示了缓解恒星 RV 变异的潜力，并实现了对小行星 RV 的高精度探测。
➡️
