详细内容或原文请订阅后点击阅览
使用聚类和机器学习的出色耀斑检测和预测
将无监督的聚类与有监督的学习结合在一起，以检测和预测恒星耀斑，使用聚类和机器学习的恒星后耀斑检测和预测首先出现在数据科学方面。
来源:走向数据科学ction和动机
恒星耀斑是恒星释放的能量爆发，据信是由磁线重新连接引起的[1,2]。它的特征是恒星的亮度突然峰值，然后是缓慢的指数衰减[1,2]。但是为什么要关心检测它们呢？原因是它们在我们对宇宙的理解中起着重要的作用。它们有助于我们深入了解这些恒星轨道行星等主题，例如恒星磁场，旋转，损失率和大气演化[1,2]。但是，正如您可能期望的那样，它听起来并不容易。首先，恒星耀斑通常不会以一致的时间间隔发生，这使得它们难以预测[1]。其次，由于数据预处理步骤倾向于消除其签名[1]，因此低能耀斑通常仍未被发现。第三，这些数据集是无监督的，这意味着没有预先标记的耀斑，因此评估耀斑检测模型变得非常具有挑战性。
celerite数据
对于这个项目，我分析了Star TIC 01317999911的时间序列数据，该数据在NASA的两分钟节奏下观察到了NASA的过渡系外行星调查卫星（TESS）。虽然原始数据集具有多个功能，但我只专注于这项研究的两个功能：时间和PDCSAP（预搜索数据调理简单的光圈光度法）通量。 PDCSAP通量表示长期趋势校正的恒星的亮度。在关闭卫星的期间，丢失了通量测量，从而在此数据集中总共有13,372个有效的通量观测值。可以通过遵循本教程，可以直接从TESS网站下载数据。另外，可以在我的GitHub存储库上提供该项目的副本。
此教程 github存储库