Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar
En el estudio de los fenómenos astrofísicos, se ha visto la gran importancia que han llegado a tener las herramientas informáticas para lograr entenderlos, y al final, entender la naturaleza del mundo que nos rodea. El desarrollo de estas herramientas es imprescindible para lograr alcanzar el conoci...
- Autores:
-
Valbuena Delgado, Álvaro Alexis
- Tipo de recurso:
- http://purl.org/coar/version/c_b1a7d7d4d402bcce
- Fecha de publicación:
- 2015
- Institución:
- Universidad Industrial de Santander
- Repositorio:
- Repositorio UIS
- Idioma:
- spa
- OAI Identifier:
- oai:noesis.uis.edu.co:20.500.14071/32626
- Palabra clave:
- Machine Learning
Decrecimientos Forbush
Máquinas De Vectores De Soporte
Python.
Machine Learning
Forbush Decrease
Support Vector Machines
Python.
- Rights
- License
- Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
| id |
UISANTADR2_42eb07d0d8e392c7496fcca0ebfe2cd0 |
|---|---|
| oai_identifier_str |
oai:noesis.uis.edu.co:20.500.14071/32626 |
| network_acronym_str |
UISANTADR2 |
| network_name_str |
Repositorio UIS |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar |
| dc.title.english.none.fl_str_mv |
Machine learning application for detection of forbush decrease on signals obtained from solar radiation monitors. |
| title |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar |
| spellingShingle |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar Machine Learning Decrecimientos Forbush Máquinas De Vectores De Soporte Python. Machine Learning Forbush Decrease Support Vector Machines Python. |
| title_short |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar |
| title_full |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar |
| title_fullStr |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar |
| title_full_unstemmed |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar |
| title_sort |
Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solar |
| dc.creator.fl_str_mv |
Valbuena Delgado, Álvaro Alexis |
| dc.contributor.advisor.none.fl_str_mv |
Ramos Pollan, Raul |
| dc.contributor.author.none.fl_str_mv |
Valbuena Delgado, Álvaro Alexis |
| dc.subject.none.fl_str_mv |
Machine Learning Decrecimientos Forbush Máquinas De Vectores De Soporte Python. |
| topic |
Machine Learning Decrecimientos Forbush Máquinas De Vectores De Soporte Python. Machine Learning Forbush Decrease Support Vector Machines Python. |
| dc.subject.keyword.none.fl_str_mv |
Machine Learning Forbush Decrease Support Vector Machines Python. |
| description |
En el estudio de los fenómenos astrofísicos, se ha visto la gran importancia que han llegado a tener las herramientas informáticas para lograr entenderlos, y al final, entender la naturaleza del mundo que nos rodea. El desarrollo de estas herramientas es imprescindible para lograr alcanzar el conocimiento que se puede obtener del mecanismo que hace funcionar estos fenómenos. Con el aporte de las nuevas técnicas que trae el campo del machine learning para procesar la información que representa estos fenómenos, se presenta una gran oportunidad para aportar herramientas informáticas que ayuden a los científicos a lograr sus metas y aportar su conocimiento a la humanidad. Es por esto que se hace necesario, gracias a las técnicas ofrecidas por el machine learning, desarrollar una serie de herramientas informáticas que se implementarán en diferentes detectores alrededor del mundo y ayudarán a los científicos en su estudio de la radiación solar, la gestión y economía de los detectores ya que al analizar las señales en tiempo real, se almacenarán solo los eventos detectados y no la totalidad de la señales, esto es debido a que los sistemas en los que posiblemente se implemente el modelo puedan ser sistemas Raspberry Pi (ordenadores de placa reducida). Por esto también se hace necesario la aplicación del machine learning, porque una vez se ha desarrollado y entrenado el modelo, será entonces posible identificar, seleccionar y guardar solo los datos necesarios para su transmisión, evitando así la transferencia de grandes volúmenes de información innecesaria. En este trabajo se propones desarrollar un modelo predictivo el cual permita al grupo Halley en colaboración con el proyecto LAGO, detectar y almacenar solo los eventos astrofísicos, automatizando un proceso de clasificación el cual optimizaría la capacidad de almacenamiento que tiene el proyecto LAGO. |
| publishDate |
2015 |
| dc.date.available.none.fl_str_mv |
2015 2024-03-03T22:07:13Z |
| dc.date.created.none.fl_str_mv |
2015 |
| dc.date.issued.none.fl_str_mv |
2015 |
| dc.date.accessioned.none.fl_str_mv |
2024-03-03T22:07:13Z |
| dc.type.local.none.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.hasversion.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| format |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.identifier.uri.none.fl_str_mv |
https://noesis.uis.edu.co/handle/20.500.14071/32626 |
| dc.identifier.instname.none.fl_str_mv |
Universidad Industrial de Santander |
| dc.identifier.reponame.none.fl_str_mv |
Universidad Industrial de Santander |
| dc.identifier.repourl.none.fl_str_mv |
https://noesis.uis.edu.co |
| url |
https://noesis.uis.edu.co/handle/20.500.14071/32626 https://noesis.uis.edu.co |
| identifier_str_mv |
Universidad Industrial de Santander |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.rights.none.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.license.none.fl_str_mv |
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc/4.0 |
| dc.rights.creativecommons.none.fl_str_mv |
Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) |
| rights_invalid_str_mv |
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) http://creativecommons.org/licenses/by/4.0/ http://creativecommons.org/licenses/by-nc/4.0 Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.none.fl_str_mv |
Universidad Industrial de Santander |
| dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingenierías Fisicomecánicas |
| dc.publisher.program.none.fl_str_mv |
Ingeniería de Sistemas |
| dc.publisher.school.none.fl_str_mv |
Escuela de Ingeniería de Sistemas e Informática |
| publisher.none.fl_str_mv |
Universidad Industrial de Santander |
| institution |
Universidad Industrial de Santander |
| bitstream.url.fl_str_mv |
https://noesis.uis.edu.co/bitstreams/2d11c8f0-d908-42f3-a26d-836b2206a2cd/download https://noesis.uis.edu.co/bitstreams/ca3abd5a-e5bb-4046-9f41-35cd9e6d8d50/download https://noesis.uis.edu.co/bitstreams/bd28076f-c1f9-4b42-9183-47e100956a22/download |
| bitstream.checksum.fl_str_mv |
190b7391d99db9697ddbf052e6c24ff2 3d81b323267ba3bc63e8feb95dd95f97 2c0ccc3a5f9ad1b483deba89b8d3df35 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
DSpace at UIS |
| repository.mail.fl_str_mv |
noesis@uis.edu.co |
| _version_ |
1831929711982280704 |
| spelling |
Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)http://creativecommons.org/licenses/by/4.0/http://creativecommons.org/licenses/by-nc/4.0Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)http://purl.org/coar/access_right/c_abf2Ramos Pollan, RaulValbuena Delgado, Álvaro Alexis2024-03-03T22:07:13Z20152024-03-03T22:07:13Z20152015https://noesis.uis.edu.co/handle/20.500.14071/32626Universidad Industrial de SantanderUniversidad Industrial de Santanderhttps://noesis.uis.edu.coEn el estudio de los fenómenos astrofísicos, se ha visto la gran importancia que han llegado a tener las herramientas informáticas para lograr entenderlos, y al final, entender la naturaleza del mundo que nos rodea. El desarrollo de estas herramientas es imprescindible para lograr alcanzar el conocimiento que se puede obtener del mecanismo que hace funcionar estos fenómenos. Con el aporte de las nuevas técnicas que trae el campo del machine learning para procesar la información que representa estos fenómenos, se presenta una gran oportunidad para aportar herramientas informáticas que ayuden a los científicos a lograr sus metas y aportar su conocimiento a la humanidad. Es por esto que se hace necesario, gracias a las técnicas ofrecidas por el machine learning, desarrollar una serie de herramientas informáticas que se implementarán en diferentes detectores alrededor del mundo y ayudarán a los científicos en su estudio de la radiación solar, la gestión y economía de los detectores ya que al analizar las señales en tiempo real, se almacenarán solo los eventos detectados y no la totalidad de la señales, esto es debido a que los sistemas en los que posiblemente se implemente el modelo puedan ser sistemas Raspberry Pi (ordenadores de placa reducida). Por esto también se hace necesario la aplicación del machine learning, porque una vez se ha desarrollado y entrenado el modelo, será entonces posible identificar, seleccionar y guardar solo los datos necesarios para su transmisión, evitando así la transferencia de grandes volúmenes de información innecesaria. En este trabajo se propones desarrollar un modelo predictivo el cual permita al grupo Halley en colaboración con el proyecto LAGO, detectar y almacenar solo los eventos astrofísicos, automatizando un proceso de clasificación el cual optimizaría la capacidad de almacenamiento que tiene el proyecto LAGO.PregradoIngeniero de SistemasIn the study of astrophysical phenomena, it has been the great importance that have come to have the tools to achieve understand, and ultimately understand the nature of the world around us. The development of these tools is essential to reaching the knowledge that you can get the mechanism that drives these phenomena. With the contribution of new techniques that brings the field of machine learning to process information that represents these phenomena, presents a great opportunity to provide tools to help scientists achieve their goals and contribute their knowledge to humanity. That is why it is necessary, thanks to the techniques offered by the machine learning, develop a series of tools to be implemented in different detectors around the world and help scientists in their study of solar radiation, management and economy as detectors to analyze signals in real time, be stored only detected events and not the entire signal, that is because the systems in which the model is implemented possibly can be Raspberry Pi systems (computers reduced) plate. Thus the application of machine learning is also necessary, because once it is developed and trained the model will then be possible to identify, select and save only the data required for transmission, thus preventing the transfer of large volumes of unnecessary information. In this paper we propose to develop a predictive model which allows the Halley group in collaboration with the LAGO project, detect and store only the astrophysical events, automating a sorting process which would optimize the storage capacity that has the LAGO project.application/pdfspaUniversidad Industrial de SantanderFacultad de Ingenierías FisicomecánicasIngeniería de SistemasEscuela de Ingeniería de Sistemas e InformáticaMachine LearningDecrecimientos ForbushMáquinas De Vectores De SoportePython.Machine LearningForbush DecreaseSupport Vector MachinesPython.Aplicación de machine learning para la detección de decrecimientos forbush en señales obtenidas de monitores de radiación solarMachine learning application for detection of forbush decrease on signals obtained from solar radiation monitors.Tesis/Trabajo de grado - Monografía - Pregradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_b1a7d7d4d402bcceORIGINALCarta de autorización.pdfapplication/pdf86048https://noesis.uis.edu.co/bitstreams/2d11c8f0-d908-42f3-a26d-836b2206a2cd/download190b7391d99db9697ddbf052e6c24ff2MD51Documento.pdfapplication/pdf3155698https://noesis.uis.edu.co/bitstreams/ca3abd5a-e5bb-4046-9f41-35cd9e6d8d50/download3d81b323267ba3bc63e8feb95dd95f97MD52Nota de proyecto.pdfapplication/pdf379747https://noesis.uis.edu.co/bitstreams/bd28076f-c1f9-4b42-9183-47e100956a22/download2c0ccc3a5f9ad1b483deba89b8d3df35MD5320.500.14071/32626oai:noesis.uis.edu.co:20.500.14071/326262024-03-03 17:07:13.553http://creativecommons.org/licenses/by-nc/4.0http://creativecommons.org/licenses/by/4.0/open.accesshttps://noesis.uis.edu.coDSpace at UISnoesis@uis.edu.co |