Reconstruct light curves from unevenly sampled variability data with artificial neural networks
Reconstruct light curves from unevenly sampled variability data with artificial neural networks
复制标题
使用人工神经网络从不均匀采样的变异性数据重建光变曲线
DOI：
10.1007/s10509-014-1891-1
复制
发表时间：
2014-03
影响因子：
1.9
通讯作者：
Cao Xinwu
中科院分区：
文献类型：
--
作者：
Wang Qi-Jie;Cao Xinwu
光曲线通常是由离散的观测数据通过内插来构建的。在大多数情况下，观测数据在时间上是不均匀的，因此光曲线通常是通过使用样条线函数对入库数据进行内插而得到的，其目的是降低“高样本噪声”(即，与面元宽度相当的时间尺度的变化性)。这样的做法当然会降低光线曲线的时间分辨率。众所周知，函数逼近是人工神经网络最重要的应用之一。在这项工作中，我们首次试探性地使用人工神经网络从不均匀采样的变化性数据中构建光曲线。为了证明人工神经网络在信号重构方面优于常用的三次样条函数方法，使用了两组具有不同幅度的随机噪声的模拟周期函数，其中一组基于单频，另一组基于多(两)频。信号重构试验表明，神经网络明显优于三次样条法。作为实例，我们利用不均匀的长期多波段监测数据，利用人工神经网络进行了光强曲线的提取。结果表明，与以往采用的三次样条法相比，用人工神经网络得到的光强曲线具有更高的时间分辨率。我们建议将人工神经网络用于天体物理数据分析中的信号重建，以及在其他领域的信号重建。
Light curves are usually constructed from discrete observational data by interpolation. In most cases, the observation data is temporally uneven, and therefore the light curve is usually derived by the interpolation of the binned data with the spline function, which is intended for reducing the “high sample noise” (i.e., the variability in the timescales comparable with the bin width). Such a practice of course reduces the time resolution of the light curve. It is known that function approximation is one of the most important applications of the artificial neural networks (ANN). In this work, for the first time we tentatively use the ANN to construct light curves from unevenly sampled variability data. To demonstrate the advantages of ANN for signal reconstruction over commonly used cubic spline function scheme, two sets of simulated periodic functions are used with random noises of varying magnitudes, one single frequency based and one multiple (two) frequency based. These signal reconstruction tests show that the ANN is clearly superior to the cubic spline scheme. As a case study, we use the uneven long-term multi-band monitoring data of BL lacertae to derive the light curves with ANN. It is found that the light curves derived with ANN have higher time resolution than those with the cubic spline function adopted in previous works. We recommend using ANN for the signal reconstruction in astrophysical data analysis as well as that of in other fields.
登录
查看更多内容
DOI：
--
发表时间：
1992
期刊：
--
影响因子：
--
作者：
J. Zurada
通讯作者：
J. Zurada
影响因子：
6.5
作者：
M. Villata;C. Raiteri;V. Larionov;V. Larionov;V. Larionov;M. Nikolashvili;M. Aller;U. Bach;D. Ca
通讯作者：
M. Villata;C. Raiteri;V. Larionov;V. Larionov;V. Larionov;M. Nikolashvili;M. Aller;U. Bach;D. Ca
影响因子：
--
作者：
Qi-jie Wang;D. Liao;Yonghong Zhou;X. Liao
通讯作者：
Qi-jie Wang;D. Liao;Yonghong Zhou;X. Liao
DOI：
10.1086/592598
发表时间：
2008-08
期刊：
The Astrophysical Journal
影响因子：
--
作者：
R. Chatterjee;S. Jorstad;S. Jorstad;A. Marscher;Haruki Oh;Haruki Oh;I. McHardy;M. Aller;H. Aller
通讯作者：
R. Chatterjee;S. Jorstad;S. Jorstad;A. Marscher;Haruki Oh;Haruki Oh;I. McHardy;M. Aller;H. Aller
影响因子：
6.5
作者：
J.H.Fan;B. Qian;J. Tao
通讯作者：
J.H.Fan;B. Qian;J. Tao