[论文解读] Automated classification of periodic variable stars{Improved methodology for the automated classification of periodic variable stars}

Jonas Blomme, L. M. Sarro+12 more|arXiv (Cornell University)|Jan 26, 2011

Stellar, planetary, and galactic studies被引用 23

一句话总结

本文提出了一种新颖的多变量贝叶斯方法，用于在地面测光数据中自动检测和分类周期性变星。通过仅使用显著频率及其泛音，在多阶段分类框架中提升了分类准确性，尤其在噪声数据中表现更优，并成功识别出TrES Lyr1场中的食双星、非径向脉动星（如β Cep、δ Sct、γ Dor、SPB）以及少数径向脉动星。

ABSTRACT

We present a novel automated methodology to detect and classify periodic variable stars in a large database of photometric time series. The methods are based on multivariate Bayesian statistics and use a multi-stage approach. We applied our method to the ground-based data of the TrES Lyr1 field, which is also observed by the Kepler satellite, covering ~26000 stars. We found many eclipsing binaries as well as classical non-radial pulsators, such as slowly pulsating B stars, Gamma Doradus, Beta Cephei and Delta Scuti stars. Also a few classical radial pulsators were found.

研究动机与目标

• 解决在大规模、噪声较大的地面测光数据库中对周期性变星进行分类的挑战。
• 克服以往方法使用所有检测到的频率所导致的分类混淆问题。
• 开发一种灵活的多阶段分类系统，能够处理可变数量的属性。
• 通过排除不可靠频率（如接近1 c/d的混叠）并使用统计显著性检验，提高分类的可靠性。
• 在缺乏颜色或光谱数据的情况下，实现对非径向脉动星、径向脉动星、食双星和椭球变星的准确分类。

提出的方法

• 应用似然比检验以确定多项式趋势阶数（最高至二阶），并从光变曲线中减去该趋势，以减少混叠效应。
• 使用离散傅里叶变换结合虚假警报概率（FAP）检测显著频率，排除接近1 c/d及其他不可靠区间的频率。
• 实施预白化程序以去除显著频率并检测泛音，利用似然比检验评估谐波成分。
• 使用谐波拟合模型光变曲线：$ f(t) = \text{trend} + \text{sum of sine and cosine terms at harmonics of detected frequencies} $，其中谐波数量可变。
• 采用基于高斯混合模型的多阶段贝叶斯分类器，每个节点基于相关属性评估条件概率。
• 允许每个节点使用可变数量的属性，并支持不同节点采用不同分类器，从而提升灵活性并减少噪声引起的误分类。

实验结果

研究问题

• RQ1 与以往方法相比，仅使用显著频率及其泛音的多变量贝叶斯方法是否能在噪声较大的地面测光数据中提升分类准确性？
• RQ2 多阶段分类框架在处理可变数量属性并减少重叠脉动类型之间混淆方面的有效性如何？
• RQ3 在缺乏颜色或光谱信息的情况下，食双星和非径向脉动星的可靠检测与分类程度如何？
• RQ4 仪器效应（如每日混叠）对重力模脉动星（如γ Dor和SPB星）检测的影响有多大，如何缓解？
• RQ5 当β Cep和δ Sct星的频率范围重叠时，该方法能否有效区分二者？SPB和γ Dor星是否也能被区分？

主要发现

• 该方法在TrES Lyr1场中成功检测到158个可靠的食双星，其ECL类别的分类概率超过90%。
• 仅基于测光频率，高置信度识别出非径向脉动星，包括β Cephei星、δ Scuti星、γ Doradus星和缓慢脉动B星。
• 由于β Cep和δ Sct星的频率范围重叠，其分类常出现混淆，因此在分析中被合并为单一类别。
• 同样，SPB和γ Dor星表现出重叠的重力模光谱特征，若无温度或光谱等附加数据，难以区分。
• 仅检测到少数经典径向脉动星（如造父变星、RR Lyrae星），可能由于振幅较低或数据质量限制。
• 采用高斯混合模型的多阶段贝叶斯方法通过仅关注显著频率并排除不可靠泛音，显著降低了误分类率。