Key points are not available for this paper at this time.
Mit der beispiellosen photometrischen Präzision des Kepler-Weltraumteleskops sind signifikante systematische und stochastische Fehler auf Transit-Signalniveaus in den photometrischen Daten von Kepler beobachtbar. Diese Fehler, zu denen Diskontinuitäten, Ausreißer, systematische Trends und andere instrumentelle Signaturen gehören, verschleiern astrophysikalische Signale. Das Presearch Data Conditioning (PDC) Modul der Kepler-Datenanalysepipeline versucht, diese Fehler zu beseitigen, während Planetentransits und andere astrophysikalisch interessante Signale erhalten bleiben. Das völlig neue Rauschen und das beobachtete stellare Variabilitätsregime in Kepler-Daten stellt ein signifikantes Problem für die Standard-Kotrendmethoden wie SYSREM und TFA dar. Variable Sterne sind oft von besonderem astrophysikalischen Interesse, sodass der Erhalt ihrer Signale für die astrophysikalische Gemeinschaft von großer Bedeutung ist. Wir präsentieren einen Bayesischen Maximum A Posteriori (MAP) Ansatz, bei dem eine Untergruppe von hoch korrelierten und ruhigen Sternen verwendet wird, um einen cotrending Basisvektorensatz zu generieren, der wiederum verwendet wird, um eine Reihe von "angemessenen" robusten Anpassungsparametern zu etablieren. Diese robusten Anpassungsparameter werden dann verwendet, um eine Bayesische Prior und eine Bayesische Posterior-Wahrscheinlichkeitsverteilungsfunktion (PDF) zu generieren, die, wenn sie maximiert wird, die beste Anpassung findet, die gleichzeitig systematische Effekte entfernt und die Signalverzerrung und Rauschübertragung reduziert, die häufig einfache kleinste Quadrate (LS) Anpassung beeinträchtigen. Ein numerischer und empirischer Ansatz wird gewählt, bei dem die Bayesischen Prior-PDFs aus Anpassungen an die Lichtkurvenverteilungen selbst generiert werden.
Smith et al. (Sat,) haben diese Frage untersucht.