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...

Full description

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