Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.udec.cl/jspui/handle/11594/3340
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorCabrera Vives, Guillermo Felipe; supervisor de gradoes
dc.contributor.authorDonoso Oliva, Cristóbales
dc.date.accessioned2019-04-16T16:45:52Z
dc.date.accessioned2019-12-16T16:39:16Z-
dc.date.available2019-04-16T16:45:52Z
dc.date.available2019-12-16T16:39:16Z-
dc.date.issued2018
dc.identifier.other239253
dc.identifier.urihttp://repositorio.udec.cl/jspui/handle/11594/3340-
dc.descriptionIngeniero Civil Informático Universidad de Concepción 2018es
dc.description.abstractEn los ultimos años, la cantidad de datos astronómicos capaces de ser almacenados ha crecido rápidamente, llevando a la necesidad de manejar grandes cantidades de datos obtenidos a partir de telescopios y del uso de técnicas analíticas tales como la espectrometría y la fotometría. Surge así el campo de la astroinformática, que involucra el empleo de distintas técnicas propias de las ciencias de la computación y su aplicación a problemas del ambito astronómico. En la presente investigación, se utilizaron redes neuronales recurrentes para la clasificación de supernovas y otras estrellas variables, mediante el procesamiento de curvas de luz fotométricas muestreadas irregularmente. Con el propósito de mejorar el desempeño de la clasificación en términos de exactitud y puntaje f1, se utilizó un modelo con unidades Phased Long Short Term Memory (PLSTM). Posteriormente, se realizó un estudio comparativo entre este modelo y el desarrollado por Charnock y et al. (2017), en el que fueron empleadas dos capas ocultas de Long Short Term Memory (LSTM). Las pruebas se realizaron utilizando curvas de luz simuladas correspondientes a la fotometría de varios tipos de supernovas, y curvas reales correspondientes a la fotometría de otros tipos de estrellas. Para las curvas de luz correspondientes a supernovas, se obtuvo un 80% de exactitud y 76% de puntaje f1 para el modelo con PLSTM, mientras que para el modelo con LSTM se obtuvo un 87% de exactitud y 85% de puntaje f1. En tanto, para las curvas de luz reales se obtuvo un 60% de exactitud para las PLSTM y un 56% de exactitud para las LSTM. Los resultados obtenidos a través de la experimentación indican que el modelo con PLSTM no mejora el rendimiento obtenido por el modelo con LSTM para la clasificación de supernovas. Por otra parte, es posible concluir preliminarmente que el modelo con PLSTM obtiene un mejor desempeño al utilizar una mayor cantidad de unidades ocultas sobre el conjunto de curvas reales.es
dc.language.isospaes
dc.publisherUniversidad de Concepción.es
dc.rightsCreative Commoms CC BY NC ND 4.0 internacional (Atribución-NoComercial-SinDerivadas 4.0 Internacional)-
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es-
dc.subjectRedes Neurales (Ciencia de la Computación)es
dc.subjectFotometría - Procesamiento Electrónico de Datoses
dc.subjectEspectrometría - Procesamiento Electrónico de Datoses
dc.titlePhased long short term memory para clasificación de objetos variables muestreados irregularmentees
dc.typeTesises
dc.description.facultadDepartamento de Ingeniería Informática y Ciencias de la Computaciónes
dc.description.departamentoDepartamento de Ingeniería Informática y Ciencias de la Computación.es
Aparece en las colecciones: Ingeniería Informática y Ciencias de la Computación - Tesis Pregrado

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Tesis_Phased_long_short_term_memory.Image.Marked.pdf1,18 MBAdobe PDFVista previa
Visualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons