我們使用機器學習方法，比較兩種不同的雜訊生成方式。雜訊生成方法分為，以Kepler Q1資料集中的光曲線作為原始雜訊的資料集，與以Pearson等(2019)[3] 的準週期系統模型生成的雜訊資料集。由每一種方法加上(Mandel & Agol, 2002)[2] 模擬理論光曲線的公式後，建構出幾種樣本數大小的訓練資料集，並使用交叉驗證訓練CNN模型。訓練完成後，分析由每一種方法建構出的資料所訓練出的模型性能，比較其差異。再選擇性能最好的，用來尋找Keper Q1資料集中可能有凌星現象之光曲線。計算理論光曲線與實際光曲線的誤差，以誤差最小的光曲線作為候選行星。在週期介於2天到4天之間，我們總共找到3個候選行星。

We used a machine learning method to compare two different kinds of noise generated light curves. The methods of generated light curves are including: one is original noise data generated from dataset light curves in Kepler Q1 dataset, and the other one is noise data generated from quasi-period system by Pearson et al. (2019)[3] After constructing several training datasets by using those two methods with theoretic light curve formula in Mandel & Agol (2002) [2], we trained our CNN model with K-fold Cross-Validation. We analyzed and test the performance of models, then we selected the best method to search possible transit light curves for Kepler Q1 dataset. We also calculate the error value between a theoretic and actual light curve, and choose the smallest one to be the exoplanet candidate. We totally found three exoplanet candidates with period in 2 to 4 days.

摘要----i
Abstract----ii
致謝----iii
第一章 簡介----1
第二章 資料處理與CNN模型----3
2.1 分群及標準化----4
2.2 減少極端值和時間間距的選擇----5
2.3 資料摺疊----7
2.4 內插法----9
2.5 CNN模型結構與訓練方式----11
第三章 研究方法----13
3.1 系外行星模型----13
3.2 Kepler望遠鏡觀測數據生成雜訊資料----17
3.3 準週期系統模型生成雜訊資料----19
3.4 K資料集與P資料集之比較----22
第四章 訓練結果----26
4.1 模型訓練結果----26
4.2 模型性能分析----30
4.3 模型預測分析----33
第五章 尋找候選系外行星----37
5.1 K模型與P模型皆找到之候選系外行星----38
5.2 僅K模型找到之候選系外行星----39
第六章 結論----42
參考文獻----43
附錄----44

[1] 郭芷綺(2020)。以機器學習法搜尋系外行星的研究。國立清華大學碩士論文。
[2] Mandel, K., & Agol, E. (2002). Analytic light curves for planetary transit searches. The Astrophysical Journal, 580:L171–L175, 2002 December 1
[3] Pearson, K.A., Palafox, L., & Griffith, C.A. (2018). Searching for exoplanets using artificial intelligence. Monthly Notices of the Royal Astronomical Society, 474(1), 478-491.
[4] Yeh, Li-Chin & Jiang, Ing-Guey (2021). Searching for Possible Exoplanet Transits from BRITE Data through a Machine Learning Technique. Publications of the Astronomical Society of the Pacific, 133:014401 (12pp), 2021 January.