DSpace Repository

Phased long short term memory para clasificación de objetos variables muestreados irregularmente

Show simple item record

dc.contributor.advisor Cabrera Vives, Guillermo , supervisor de grado
dc.contributor.author Donoso Oliva, Cristóbal
dc.date.accessioned 2019-04-16T16:45:52Z
dc.date.accessioned 2019-12-16T16:39:16Z
dc.date.available 2019-04-16T16:45:52Z
dc.date.available 2019-12-16T16:39:16Z
dc.date.issued 2018
dc.identifier.other 239253
dc.identifier.uri http://repositorio.udec.cl/jspui/handle/11594/3340
dc.description Ingeniero Civil Informático Universidad de Concepción 2018 es
dc.description.abstract En 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.iso es es
dc.publisher Universidad de Concepción . Facultad de Ingeniería. Departamento de Ingeniería Informática y Ciencias de la Computación es
dc.subject Redes Neurales (Ciencia de la Computación) es
dc.subject Fotometría - Procesamiento Electrónico de Datos es
dc.subject Espectrometría - Procesamiento Electrónico de Datos es
dc.title Phased long short term memory para clasificación de objetos variables muestreados irregularmente es
dc.type Tesis es


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Advanced Search

Browse

My Account