Aplicación de técnicas supervisadas en la búsqueda de estrellas variables en campos seleccionados del VVV Survey

Recientemente, los métodos supervisados de aprendizaje han sido usados en la búsqueda de estrellas variables, basándose en las propiedades de sus curvas de luz. Estos métodos desarrollan el proceso de clasificación a partir de una muestra de entrenamiento previamente clasificada. El algoritmo de cla...

Full description

Autores:
Rodríguez Feliciano, Bayron Stevenson
Tipo de recurso:
Fecha de publicación:
2016
Institución:
Universidad de los Andes
Repositorio:
Séneca: repositorio Uniandes
Idioma:
spa
OAI Identifier:
oai:repositorio.uniandes.edu.co:1992/13966
Acceso en línea:
http://hdl.handle.net/1992/13966
Palabra clave:
Estrellas variables - Investigaciones
Análisis del vecino más cercano (Estadística)
Astrofísica - Investigaciones
Investigaciones
Física
Rights
openAccess
License
http://creativecommons.org/licenses/by-nc-sa/4.0/
Description
Summary:Recientemente, los métodos supervisados de aprendizaje han sido usados en la búsqueda de estrellas variables, basándose en las propiedades de sus curvas de luz. Estos métodos desarrollan el proceso de clasificación a partir de una muestra de entrenamiento previamente clasificada. El algoritmo de clasificación usado en este trabajo es construido escogiendo propiedades estadísticas de cada elemento de la muestra de entrenamiento. Los métodos usados en este trabajo son: k-vecinos más cercanos, árboles de clasificación, bosques aleatorios, y máquinas de soporte vectorial. Se usan datos en infrarrojo cercano de un campo seleccionado del Bulbo Galáctico, recolectado por el proyecto Vista Variables in the Via Lactea Survey. Para el conjunto de magnitudes en banda Ks de cada estrella, son computados los estadísticos robustos: mediana, desviación absoluta mediana, sesgo octil y pesos de sus colas. Los estadísticos escogidos no dependen del cálculo del periodo (obtenido vía análisis de Fourier, análisis de varianzas u otro algoritmo) así que los métodos supervisados descritos en este trabajo son una alternativa a los métodos convencionales. Usando los métodos de clasificación supervisados desarrollados, se clasifican los tipos de estrellas variables RR Lyræ y Binarias Eclipsantes W Ursæ majoris. Una vez entrenados los algoritmos, su eficacia es estimada de acuerdo a su desempeño sobre una muestra ya clasificada. La afinidad de cada método para detectar tipos específicos de variabilidad también es estimada