Automatic survey-invariant classification of variable stars
| dc.contributor.advisor | Pichara Baksai, Karim Elías | |
| dc.contributor.author | Benavente Escandón, Patricio | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2018-04-10T19:04:54Z | |
| dc.date.available | 2018-04-10T19:04:54Z | |
| dc.date.issued | 2018 | |
| dc.description | Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2018 | |
| dc.description.abstract | Las técnicas de aprendizaje de máquina han sido aplicadas con éxito en la clasificación de estrellas variables en sondeos astronómicos bien estudiados. Estos conjuntos de datos han estado disponibles el tiempo suficiente para que los astrónomos analicen en profundidad una serie de fuentes variables y generen catálogos prácticos con estrellas variables identificadas. El producto de estos estudios son datos etiquetados que permiten entrenar modelos supervisados con éxito. Sin embargo, cuando estos modelos son aplicados ciegamente a datos provenientes de nuevos sondeos celestes su desempeño disminuye de manera considerable. Más aún, los datos sin etiqueta son generados a una tasa muchísimo mayor que la de su contraparte etiquetada, ya que el etiquetado es un proceso manual que toma tiempo. Las técnicas de adaptación de dominio apuntan a aprender en un dominio donde hay etiquetas disponibles — el dominio fuente — y mediante alguna adaptación clasificar con éxito en otro dominio—el dominio objetivo. Proponemos un modelo probabilístico completo que representa la distribución conjunta de las características de dos conjuntos de datos distintos, así como una transformación probabilística desde las características de uno de los conjuntos de datos hacia el otro. Esto permite transferir datos etiquetados a un sondeo donde éstos no están disponibles y efectivamente aplicar un modelo de clasificación en un sondeo nuevo. Nuestro modelo representa las características de cada dominio como una mezcla de Gaussianas y modela la transformación como una translación, rotación y escalación de cada componente por separado. Realizamos pruebas usando tres catálogos de variabilidad diferentes: EROS, MACHO y HiTS. Presentamos las diferencias entre ellos, como la cantidad de observaciones por estrella, cadencia, tiempo de observación, y bandas ópticas observadas, entre otros. | |
| dc.format.extent | xii, 67 páginas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/21615 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/21615 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/21615 | |
| dc.language.iso | es | |
| 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.title | Automatic survey-invariant classification of variable stars | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 6541 |