Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado

La exuberante cantidad de datos astronómicos que se recopilan año tras año hace que sea necesario el uso de métodos eficientes para analizarlos y clasificarlos. En este contexto, la inteligencia artificial surge como una de las alternativas para resolver este problema debido a su capacidad para clasificar objetos a partir de patrones. Este trabajo propone una metodología para extraer las características que describen un espectro estelar para ser utilizadas posteriormente en la construcción de un algoritmo de clasificación. Básicamente se realiza una lectura de los espectros, se extraen las características que los representan, se construye el modelo de clasificación y, finalmente, se aplica el modelo a una nueva muestra sin clasificación previa. Específicamente, se entrena un clasificador basado en bosques aleatorios binarios que es capaz de reconocer si un espectro tiene la línea Halpha en emisión. Las bases de datos HBC y BeSOS se utilizan para entrenar los bosques aleatorios y su rendimiento se evalúa con la base de datos LAMOST. Al usar el clasificador en una muestra de 2986 espectros se encontraron 152 espectros con línea de emisión Halpha con una precisión del 99%

• Autores: Sanabria García, Rafael David
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2020
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/49274
• Acceso en línea: http://hdl.handle.net/1992/49274
• Palabra clave: Estrellas; Aprendizaje automático (Inteligencia artificial); Física
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/