Clustering based feature learning on variable stars
| dc.contributor.advisor | Pichara Baksai, Karim Elías | |
| dc.contributor.author | Mackenzie Kiessler, Cristóbal | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2016-12-15T12:36:03Z | |
| dc.date.available | 2016-12-15T12:36:03Z | |
| dc.date.issued | 2016 | |
| dc.description | Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2016 | |
| dc.description.abstract | El éxito de la clasificación automática de estrellas variables depende en gran medida de la representación de la curva de luz. Comúnmente, una curva de luz es representada como un vector de descriptores estadísticos diseñados por astrónomos llamados características. Estas características son costosas de calcular, requieren mucho tiempo de investigación para desarrollar y no garantizan un buen rendimiento de clasificación. Hoy en día la representación de curvas de luz no es automática; los algoritmos deben ser diseñados y ajustados para cada set de datos. La cantidad de datos astronómicos que se generará en el futuro requerirá de procesos de análisis automáticos y escalables. En este trabajo presentamos un algoritmo de aprendizaje de características diseñado para objetos variables. Nuestro método funciona a través de la extracción de un gran número de subsecuencias de curvas de luz, de las cuales se extraen subsecuencias representantes de los patrones más comunes a través de un algoritmo de clustering.Estos representantes son usados para transformar curvas de luz de un conjunto etiquetado a una representación que puede ser usada con un clasificador. El algoritmo propuesto aprende características de datos etiquetados y no etiquetados, lo que elimina el sesgo de usar solo datos etiquetados. Evaluamos nuestro método en las bases de datos MACHO y OGLE; los resultados muestran que nuestro rendimiento de clasificación es tan bueno como y en algunos casos mejor que el rendimiento que se logra usando las características tradicionales, mientras que el costo computacional es significativamente menor. Con estos resultados prometedores, creemos que nuestro método constituye un paso significativo hacia la automatización de los procesos de clasificación de curvas de luz. | |
| dc.format.extent | xiv, 64 hojas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/16904 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/16904 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/16904 | |
| dc.language.iso | en | |
| dc.nota.acceso | Contenido completo | |
| dc.rights | acceso abierto | |
| dc.subject.ddc | 520 | |
| dc.subject.dewey | Astronomía | es_ES |
| dc.subject.other | Estrellas variables. | es_ES |
| dc.subject.other | Aprendizaje de máquina. | es_ES |
| dc.subject.other | Minería de datos. | es_ES |
| dc.title | Clustering based feature learning on variable stars | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 6541 |