Deep multi-survey classification of variable stars
| dc.contributor.advisor | Pichara Baksai, Karim Elías | |
| dc.contributor.author | Aguirre Orellana, Carlos Alfonso | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2018-08-16T13:38:51Z | |
| dc.date.available | 2018-08-16T13:38:51Z | |
| dc.date.issued | 2018 | |
| dc.description | Tesis (Master in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2018 | |
| dc.description.abstract | Durante la última década, se ha realizado una gran cantidad de esfuerzo en clasificar estrellas variables utilizando diferentes técnicas de aprendizaje automático. Típicamente, las curvas de luz se representan como vectores de descriptores estadísticos los cuales se utilizan para entrenar distintos algoritmos. Estos descriptores demandan grandes poderes de cómputo,haciendo imposible crear formas escalables y eficientes de clasificar automáticamente estrellas variables. Además, las curvas de luz de diferentes catálogos no se pueden integrar y analizar juntas de manera inmediata. Por ejemplo, al tener variaciones en la cadencia y filtros, las distribuciones de características se vuelven parciales y requieren costosos modelos de calibración de datos. La gran cantidad de datos que se generarán pronto hacen necesario desarrollar arquitecturas de aprendizaje automático escalables. Estas arquitecturas deben ser capaces de analizar curvas de luz de diferentes catálogos sin costosas técnicas de integración. Las redes neuronales convolucionales han mostrado resultados impresionantes en la clasificación y representación de imágenes. Son capaces de clasificar objetos en imágenes con altos niveles de precisión. En este trabajo, presentamos un novedoso modelo de aprendizaje profundo para la clasificación de curvas de luz, basado principalmente en unidades convolucionales. Nuestra arquitectura recibe como entrada las diferencias entre el tiempo yla magnitud de las curvas de luz. Captura los patrones de clasificación esenciales independientemente de la cadencia y el filtro, y sin la necesidad de calcular ninguna característica estadística. Probamos nuestro método usando tres catálogos diferentes: OGLE-III; Corot; y VVV, que difieren en filtros, cadencia y área del cielo. Mostramos que además del beneficio de la escalabilidad, nuestro modelo obtiene niveles de precisión comparables con el estado del arte en clasificación de estrellas variables. | |
| dc.format.extent | x, 44 hojas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/21982 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/21982 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/21982 | |
| 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 - Curvas de luz. | es_ES |
| dc.subject.other | Aprendizaje de máquina. | es_ES |
| dc.title | Deep multi-survey classification of variable stars | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 6541 |