机构名称：
¥ 1.0
上下文。与Vera C. Rubin天文台进行时空的传统调查（LSST）有望通过在包括难以捉摸的星际对象（ISOS）的各种对象上提供前所未有的数据来革新我们对太阳系的理解。检测和分类ISOS对于研究其他行星系统的材料的组成和多样性至关重要。但是，ISO的稀有性和简短观察窗口，再加上LSST生成的大量数据，为其识别和分类带来了重大挑战。目标。本研究的目的是通过探索机器学习算法在模拟LSST数据中的ISO曲目自动化中的应用来解决这些挑战。方法。我们采用了各种机器学习算法，包括随机森林（RFS），随机梯度下降（SGD），梯度增强机（GBMS）和神经网络（NNS），在模拟LSST数据中对ISO Tracklet进行了分类。结果。我们的结果表明，GBM和RF算法在准确区分ISO和其他太阳系对象中优于SGD和NN算法。RF分析表明，在从LSST轨迹分类中，许多派生的Digest2值比直接观察值（右提升，偏差和幅度）更重要。GBM模型达到了最高的精度，召回和F1得分，值分别为0.9987、0.9986和0.9987。结论。这些发现为使用LSST数据开发ISO发现的高效自动化系统奠定了基础，为更深入地理解材料和过程铺平了道路。将我们提出的机器学习方法集成到LSST数据处理管道中，将优化调查识别这些稀有和有价值的对象的潜力，从而及时进行后续观察并进一步表征。
使用LSST
主要关键词
相关文件推荐
