Wedescribeamethodologytoclassifyper

Wedescribeamethodologytoclassifyperiodicvariablestarsidentifiedusingphotometrictime-seriesmeasurements constructed from the Wide-field Infrared Survey Explorer (WISE) full-mission single-exposure Source Databases. This will assist in the future construction of a WISE Variable Source Database that assigns variables to specific science classes as constrained by the WISE observing cadence with statistically meaningful classification probabilities.WehaveanalyzedtheWISElightcurvesof8273variablestarsidentifiedinpreviousopticalvariability surveys (MACHO, GCVS, and ASAS) and show that Fourier decomposition techniques can be extended into the mid-IR to assist with their classification. Combined with other periodic light-curve features, this sample is then used to train a machine-learned classifier based on the random forest (RF) method. Consistent with previous classification studies of variable stars in general, the RF machine-learned classifier is superior to other methods in terms of accuracy, robustness against outliers, and relative immunity to features that carry little or redundant class information. For the three most common classes identified by WISE: Algols, RR Lyrae, and W Ursae Majoris type variables, we obtain classification efficiencies of 80.7%, 82.7%, and 84.5% respectively using crossvalidation analyses, with 95% confidence intervals of approximately±2%. These accuracies are achieved at purity (or reliability) levels of 88.5%, 96.2%, and 87.8% respectively, similar to that achieved in previous automated classification studies of periodic variable star

Results (Thai) 1:

Wedescribeamethodologytoclassifyperiodicvariablestarsidenti Fi edusingphotometrictime-seriesmeasurements สร้างจากสายกว้าง Eld Infrared Survey Explorer (WISE) เต็มรูปแบบภารกิจเดียวสัมผัสแหล่งที่มาของฐานข้อมูล นี้จะช่วยในการก่อสร้างในอนาคตของ WISE ฐานข้อมูลแหล่งที่มาของตัวแปรตัวแปรที่กำหนดให้ speci สาย C ชั้นเรียนวิทยาศาสตร์ จำกัด โดยสังเกตจังหวะ WISE กับความหมายทางสถิติจำแนก Fi ไอออนสำรวจ probabilities.WehaveanalyzedtheWISElightcurvesof8273variablestarsidenti Fi edinpreviousopticalvariability (ผู้ชาย GCVS และ ASAS) และแสดงให้เห็นว่าเทคนิคการสลายตัวฟูริเยร์สามารถ จะยื่นออกไปในช่วงกลาง IR-ให้ความช่วยเหลือกับไอออนบวก Fi ของพวกเขาจัดประเภท รวมกับคุณสมบัติอื่น ๆ แสงโค้งระยะตัวอย่างนี้จะถูกใช้ในการฝึกอบรมเรียนรู้เครื่องเอ้อจัดประเภทขึ้นอยู่กับป่าสุ่ม (RF) วิธีการ สอดคล้องกับการศึกษาจำแนก Fi ไอออนบวกก่อนหน้าของดาวตัวแปรโดยทั่วไป RF เครื่องเรียนรู้เอ้อจัดประเภทจะดีกว่าวิธีการอื่น ๆ ในแง่ของความถูกต้อง, ความทนทานกับค่าผิดปกติและมีภูมิคุ้มกันโรคที่สัมพันธ์กับคุณลักษณะที่นำข้อมูลระดับน้อยหรือซ้ำซ้อน สำหรับสามชั้นที่พบมากที่สุดระบุเอ็ด Fi by WISE: Algols, RR Lyrae และตัวแปรประเภท W Ursae Majoris เราได้จัดประเภท Fi ไอออนบวก EF Fi ciencies 80.7%, 82.7% และ 84.5% ตามลำดับโดยใช้การวิเคราะห์ crossvalidation กับ 95% ช่วงเวลาที่นักโทษ Fi มั่นใจประมาณ± 2 % ความถูกต้องเหล่านี้จะประสบความสำเร็จในความบริสุทธิ์ (หรือความน่าเชื่อถือ) ระดับ 88.5%, 96.2% และ 87.8% ตามลำดับเดียวกับที่ประสบความสำเร็จในการศึกษาก่อนหน้าไอออนจัดประเภทไฟอัตโนมัติของดาวแปรเป็นระยะ ๆ RF เครื่องเรียนรู้เอ้อจัดประเภทจะดีกว่าวิธีการอื่น ๆ ในแง่ของความถูกต้อง, ความทนทานกับค่าผิดปกติและมีภูมิคุ้มกันโรคที่สัมพันธ์กับคุณลักษณะที่นำข้อมูลระดับน้อยหรือซ้ำซ้อน สำหรับสามชั้นที่พบมากที่สุดระบุเอ็ด Fi by WISE: Algols, RR Lyrae และตัวแปรประเภท W Ursae Majoris เราได้จัดประเภท Fi ไอออนบวก EF Fi ciencies 80.7%, 82.7% และ 84.5% ตามลำดับโดยใช้การวิเคราะห์ crossvalidation กับ 95% ช่วงเวลาที่นักโทษ Fi มั่นใจประมาณ± 2 % ความถูกต้องเหล่านี้จะประสบความสำเร็จในความบริสุทธิ์ (หรือความน่าเชื่อถือ) ระดับ 88.5%, 96.2% และ 87.8% ตามลำดับเดียวกับที่ประสบความสำเร็จในการศึกษาก่อนหน้าไอออนจัดประเภทไฟอัตโนมัติของดาวแปรเป็นระยะ ๆ RF เครื่องเรียนรู้เอ้อจัดประเภทจะดีกว่าวิธีการอื่น ๆ ในแง่ของความถูกต้อง, ความทนทานกับค่าผิดปกติและมีภูมิคุ้มกันโรคที่สัมพันธ์กับคุณลักษณะที่นำข้อมูลระดับน้อยหรือซ้ำซ้อน สำหรับสามชั้นที่พบมากที่สุดระบุเอ็ด Fi by WISE: Algols, RR Lyrae และตัวแปรประเภท W Ursae Majoris เราได้จัดประเภท Fi ไอออนบวก EF Fi ciencies 80.7%, 82.7% และ 84.5% ตามลำดับโดยใช้การวิเคราะห์ crossvalidation กับ 95% ช่วงเวลาที่นักโทษ Fi มั่นใจประมาณ± 2 % ความถูกต้องเหล่านี้จะประสบความสำเร็จในความบริสุทธิ์ (หรือความน่าเชื่อถือ) ระดับ 88.5%, 96.2% และ 87.8% ตามลำดับเดียวกับที่ประสบความสำเร็จในการศึกษาก่อนหน้าไอออนจัดประเภทไฟอัตโนมัติของดาวแปรเป็นระยะ ๆ และ W Ursae Majoris ตัวแปรชนิดเราได้จัดประเภท Fi ไอออนบวก EF Fi ciencies 80.7%, 82.7% และ 84.5% ตามลำดับโดยใช้การวิเคราะห์ crossvalidation กับ 95% ช่วงเวลาที่นักโทษ Fi มั่นใจประมาณ± 2% ความถูกต้องเหล่านี้จะประสบความสำเร็จในความบริสุทธิ์ (หรือความน่าเชื่อถือ) ระดับ 88.5%, 96.2% และ 87.8% ตามลำดับเดียวกับที่ประสบความสำเร็จในการศึกษาก่อนหน้าไอออนจัดประเภทไฟอัตโนมัติของดาวแปรเป็นระยะ ๆ และ W Ursae Majoris ตัวแปรชนิดเราได้จัดประเภท Fi ไอออนบวก EF Fi ciencies 80.7%, 82.7% และ 84.5% ตามลำดับโดยใช้การวิเคราะห์ crossvalidation กับ 95% ช่วงเวลาที่นักโทษ Fi มั่นใจประมาณ± 2% ความถูกต้องเหล่านี้จะประสบความสำเร็จในความบริสุทธิ์ (หรือความน่าเชื่อถือ) ระดับ 88.5%, 96.2% และ 87.8% ตามลำดับเดียวกับที่ประสบความสำเร็จในการศึกษาก่อนหน้าไอออนจัดประเภทไฟอัตโนมัติของดาวแปรเป็นระยะ ๆ

Results (Thai) 2:

Wedescribeamethodologytoclassifyperiodicvariablestarsidentifiedusingphotometrictime-การวัดค่าที่สร้างขึ้นจากฐานข้อมูลแหล่งกำเนิดแสงแบบอินฟราเรด (WISE) แบบกว้าง นี้จะช่วยในการก่อสร้างในอนาคตของฐานข้อมูลที่มีปัญญาตัวแปรที่กำหนดตัวแปรให้กับชั้นเรียนวิทยาศาสตร์ที่เฉพาะเจาะจงเป็นที่จำกัดโดย WISE สังเกตจังหวะที่มีความน่าจะเป็นการจัดหมวดหมู่ที่มีความหมายทางสถิติ แบบสำรวจ WehaveanalyzedtheWISElightcurvesof8273variablestarsidentifiedinpreviousopticalvariability (มา, GCVS และ ASAS) และแสดงให้ทราบว่าเทคนิคการสลายตัวของฟูริเยร์สามารถขยายเข้าไปในช่วงกลาง IR เพื่อช่วยในการจัดหมวดหมู่ของพวกเขา รวมกับคุณสมบัติแสงสีอื่นๆเป็นระยะๆ, ตัวอย่างนี้จะใช้ในการฝึกอบรมเครื่องลักษณนามที่ขึ้นอยู่กับการสุ่มป่า (RF) วิธีการ. สอดคล้องกับการศึกษาการจำแนกประเภทก่อนหน้าของดาวแปรโดยทั่วไปเครื่อง RF-เรียนรู้ลักษณนามเป็นที่เหนือกว่าวิธีการอื่นๆในแง่ของความถูกต้องทนทานต่อการผิดปกติและภูมิคุ้มกันที่เกี่ยวข้องกับคุณสมบัติที่ดำเนินการในชั้นเรียนน้อยหรือซ้ำซ้อน ข้อมูล สำหรับสามชั้นเรียนที่พบมากที่สุดโดยฉลาด: Algols, RR Lyrae, และ W Ursae Majoris ตัวแปร, เราได้รับการจัดหมวดหมู่ประสิทธิภาพของ๘๐.๗%, ๘๒.๗%, และ๘๔.๕% ตามลำดับโดยใช้การวิเคราะห์การตรวจสอบ, มีความเชื่อมั่น๙๕% ประมาณ± 2% Accuracies เหล่านี้จะสำเร็จที่ความบริสุทธิ์ (หรือความน่าเชื่อถือ) ระดับของ๘๘.๕%, ๙๖.๒%, และ๘๗.๘% ตามลำดับ, คล้ายกับที่ประสบความสำเร็จในการศึกษาการจำแนกประเภทอัตโนมัติก่อนหน้าของดาวตัวแปรเป็นระยะๆ

Results (Thai) 3:

เราอธิบายถึงตัวแปรช่วงของการวัดแสงที่สร้างขึ้นจากฐานข้อมูลของงานทั้งหมดของ Wise นี้จะเป็นประโยชน์สำหรับการตั้งค่าฐานข้อมูลตัวแปรที่กำหนดไว้ในชั้นเรียนวิทยาศาสตร์ที่เฉพาะเจาะจงซึ่งจะถูกจำกัดโดยการสังเกตความถี่และความน่าจะเป็นทางสถิติ และ ASAS พบว่าเทคนิคการย่อยสลายฟูเรียร์สามารถขยายไปยัง mid-ir เพื่อช่วยในการจำแนก รวมกับลักษณะของเส้นโค้งแสงเป็นระยะๆตัวอย่างนี้ถูกใช้เพื่อฝึกการเรียนรู้เครื่องลักษณนามตามวิธีการสุ่มป่า สอดคล้องกับงานวิจัยก่อนหน้านี้ในการจัดหมวดหมู่ของตัวแปรวิทยุเครื่องการเรียนรู้ที่ดีกว่าวิธีการอื่นๆในความถูกต้องความทนทานต่อค่าผิดปกติและภูมิคุ้มกันสัมพัทธ์กับลักษณะ สำหรับทั้งสามประเภทที่พบมากที่สุดของตัวแปรชนิดที่ระบุไว้โดยวิธีการที่เราใช้ข้ามการตรวจสอบการวิเคราะห์เพื่อให้ได้ประสิทธิภาพการจำแนกของ 800.7 82.7 และ 84.5 เปอร์เซ็นต์และช่วงความเชื่อมั่นของ 95 เปอร์เซ็นต์ประมาณ± 2 เปอร์เซ็นต์ ความถูกต้องเหล่านี้ถึงในความบริสุทธิ์หรือความน่าเชื่อถือของ 88.5 เปอร์เซ็นต์ 96.2 เปอร์เซ็นต์และ 87.8 เปอร์เซ็นต์และคล้ายกับการศึกษาการจำแนกอัตโนมัติของดาวตัวแปรเป็นระยะๆก่อนหน้านี้