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 clas...
- 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/
id |
UNIANDES2_32e003610e779bbee88f92414d19ff4e |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/49274 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.es_CO.fl_str_mv |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado |
title |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado |
spellingShingle |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado Estrellas Aprendizaje automático (Inteligencia artificial) Física |
title_short |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado |
title_full |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado |
title_fullStr |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado |
title_full_unstemmed |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado |
title_sort |
Reconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisado |
dc.creator.fl_str_mv |
Sanabria García, Rafael David |
dc.contributor.advisor.none.fl_str_mv |
Sabogal Martínez, Beatriz Eugenia |
dc.contributor.author.none.fl_str_mv |
Sanabria García, Rafael David |
dc.contributor.jury.none.fl_str_mv |
García Varela, José Alejandro |
dc.subject.armarc.es_CO.fl_str_mv |
Estrellas Aprendizaje automático (Inteligencia artificial) |
topic |
Estrellas Aprendizaje automático (Inteligencia artificial) Física |
dc.subject.themes.none.fl_str_mv |
Física |
description |
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% |
publishDate |
2020 |
dc.date.issued.none.fl_str_mv |
2020 |
dc.date.accessioned.none.fl_str_mv |
2021-02-18T12:47:03Z |
dc.date.available.none.fl_str_mv |
2021-02-18T12:47:03Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/49274 |
dc.identifier.pdf.none.fl_str_mv |
u834091.pdf |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/49274 |
identifier_str_mv |
u834091.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
spa |
language |
spa |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.es_CO.fl_str_mv |
47 hojas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Uniandes |
dc.publisher.program.es_CO.fl_str_mv |
Física |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ciencias |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Física |
dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
instname_str |
Universidad de los Andes |
institution |
Universidad de los Andes |
reponame_str |
Repositorio Institucional Séneca |
collection |
Repositorio Institucional Séneca |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/ad7cbfe8-0912-41c8-a22e-7e2775429584/download https://repositorio.uniandes.edu.co/bitstreams/bc8c461d-68cd-41bb-ab5a-d67bf4753b45/download https://repositorio.uniandes.edu.co/bitstreams/b52bb716-dde1-4e83-9809-668e291ba321/download |
bitstream.checksum.fl_str_mv |
c60db3bd818580dd7c6fadd3f197ac4b 39b60c7e3e424c8bf3445f7b7f488b9c 83081b38129d245300dbff17462771d7 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812134004762083328 |
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Sabogal Martínez, Beatriz Eugeniavirtual::12930-1Sanabria García, Rafael David1b7804b7-41b8-4d7c-808a-a413a02ebd80500García Varela, José Alejandro2021-02-18T12:47:03Z2021-02-18T12:47:03Z2020http://hdl.handle.net/1992/49274u834091.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/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%The exuberant amount of astronomical data that is collected year after year makes it necessary to use efficient methods to analyze and classify it. In this context, artificial intelligence emerges as one of the alternatives to solve this problem due to its ability to classify objects based on patterns. This work proposes a methodology to extract the characteristics that describe a stellar spectrum to be used later in the construction of a classification algorithm. Basically, a reading of the spectra is carried out, the features that represent them are extracted, the classification model is built and, finally, the model is applied to a new sample without previous classification. Specifically, a binary random forest-based classifier is trained that is capable of recognizing whether a spectrum has the line Halpha in emission. The HBC and BeSOS databases are used to train the random forests and their performance is evaluated with the LAMOST database. Using the classifier on a sample of 2986 spectra, 152 spectra with emission line Halpha were found with an accuracy of 99%FísicoPregrado47 hojasapplication/pdfspaUniandesFísicaFacultad de CienciasDepartamento de Físicainstname:Universidad de los Andesreponame:Repositorio Institucional SénecaReconocimiento de estrellas con línea Halpha en emisión por medio de técnicas de aprendizaje automático supervisadoTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPEstrellasAprendizaje automático (Inteligencia artificial)FísicaPublication1d39bc41-f9d3-461b-a7cc-84296451800fvirtual::12930-11d39bc41-f9d3-461b-a7cc-84296451800fvirtual::12930-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000382310virtual::12930-1ORIGINALu834091.pdfapplication/pdf1952945https://repositorio.uniandes.edu.co/bitstreams/ad7cbfe8-0912-41c8-a22e-7e2775429584/downloadc60db3bd818580dd7c6fadd3f197ac4bMD51TEXTu834091.pdf.txtu834091.pdf.txtExtracted texttext/plain74151https://repositorio.uniandes.edu.co/bitstreams/bc8c461d-68cd-41bb-ab5a-d67bf4753b45/download39b60c7e3e424c8bf3445f7b7f488b9cMD54THUMBNAILu834091.pdf.jpgu834091.pdf.jpgIM Thumbnailimage/jpeg8658https://repositorio.uniandes.edu.co/bitstreams/b52bb716-dde1-4e83-9809-668e291ba321/download83081b38129d245300dbff17462771d7MD551992/49274oai:repositorio.uniandes.edu.co:1992/492742024-03-13 14:48:45.442http://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |