XiaoMi-AI文件搜索系统
World File Search System恒星分类
监督机器学习算法的恒星分类
天文对象，例如恒星，类星体，银河系是研究宇宙和星系的非常重要的关键。我们都知道恒星同样发出光线和星系。这些天文对象的光具有一种辐射，称为电磁辐射。当我们拆分电磁辐射时，我们会得到光谱。光谱被定义为七种颜色的光，光谱用于识别每个恒星的化学成分和温度。每个灯光指示特定的化学元件或分子。由于每个灯光中存在的化学元件量，每个灯射线的温度变化。我们将能够使用位于墨西哥的Sloan Digital Sky Survey（SDSS）望远镜来获得该温度。由于这些光谱特征包含有关天文对象的重要信息，这对于更好地分类对象非常有用。用于处理大量数据，数据挖掘是一种常见的技术。使用了多种监督的机器学习算法，例如幼稚的贝叶斯，随机森林，决策树，决策树和多层感知器，并将结果相互比较。随机森林具有巨大的优势，例如平均许多决策树，随机森林会减少过度拟合，并且不容易受到数据中噪声和异常值的影响。与其他现有算法相比，随机森林中的准确性百分比很高。关键字：恒星光谱，天文对象，机器学习，多层感知。1。简介
横跨银河恒星种群的系外行星
上下文。迄今为止，绝大多数系外行星的发现都发生在太阳能街区的恒星周围，化学成分与太阳相当。然而，模型表明，具有不同动力学历史和化学丰度的不同银河环境中的行星系统可能会显示出不同的特征，这可以帮助我们改善我们对行星形成过程的理解。目标。这项研究旨在评估即将到来的柏拉图任务的潜力，以研究各种银河环境中恒星周围的系外行星种群，特别关注银河系薄磁盘，较厚的磁盘和恒星光环。我们旨在量化柏拉图在每个环境中检测行星的能力，并确定这些观察结果如何限制行星形成模型。方法。从全天空的柏拉图输入目录开始，我们将240万个FGK恒星分类为它们的分解银河系。对于长期观察LOPS2和LOPN1柏拉图田中恒星的子样本，我们使用新一代行星种群合成数据集估算了行星的发生率。将这些估计值与柏拉图检测效率模型相结合，我们预测了在标称2+2年任务中每个银河环境的预期行星产量。结果。基于我们的分析，柏拉图很可能检测到富含α的厚磁盘周围的至少400个系外行星。柏拉图田有3400多个潜在的目标恒星，其中有[Fe/H] <−0.6，这将有助于提高我们对金属贫困恒星周围行星的理解。结论。这些行星中的大多数被预计是半径的超近美和亚元素，其半径在2至10 r r介于2至50天之间，这是研究半径谷与恒星化学之间的联系的理想选择。对于金属贫乏的光环，柏拉图可能会检测1至80个行星，其周期在10到50天之间，这取决于潜在的金属性阈值，即行星形成。我们确定了高优先级，高信号到空的柏拉图P1样品中47个（运动学分类）恒星的特定目标列表，在金属贫困环境中寻找行星时提供了主要机会。柏拉图的独特功能和大量的视野位置是在银河系中各种银河环境中研究行星形成的宝贵工具。通过探测具有不同化学成分的恒星周围的系外行星种群，柏拉图将为恒星化学与行星形成之间的联系提供有益的见解。