Automatic classification of poorly sampled variable stars
| dc.contributor.advisor | Pichara Baksai, Karim Elías | |
| dc.contributor.author | Castro Leal, Nicolás Pablo | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2016-12-14T15:13:25Z | |
| dc.date.available | 2016-12-14T15:13:25Z | |
| dc.date.issued | 2016 | |
| dc.description | Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2016 | |
| dc.description.abstract | La aplicación de métodos de clasificación automática en catálogos de observación astronómica ha revolucionado el proceso de identificación de estrellas. Hoy en día, muchos estudios generan catálogos conformados por un gran número de series de mediciones, o ”curvas de luz”, que representan los cambios en el brillo de objetos estelares en el tiempo. Desafortunadamente, las observaciones toman varios años en completarse, lo que produce series de tiempo parciales que normalmente no son analizadas hasta que todas las observaciones son completadas. Esto sucede porque los métodos de clasificación más modernos dependen de una variedad de descriptores estadísticos que presentan un grado creciente de dispersión a medida que el número de observaciones decrece, lo que disminuye su precisión. En este trabajo, proponemos método que mejora el rendimiento de los clasificadores automáticos de estrellas variables al incorporar las desviaciones producidas por la escasez de observaciones. Nuestro algoritmo utiliza Procesos Gaussianos de regresión para formar un modelo probabilístico de los valores observados para cada curva de luz. Luego, basado en este modelo, se generan muestras aleatorias de los descriptores de las curvas.Finalmente, a partir de estas muestras, se utiliza una técnica de bagging para incrementar la precisión de la clasificación. El resultado de este modelo, es un vector de clasificación que representa la probabilidad de pertenecer a cada una de las posibles clases de estrellas variables. Realizamos pruebas en los catálogos MACHO y OGLE; los resultados muestran que nuestro método logra mejorar las predicciones de modelos clásicos. Consideramos que estos resultados muestran la importancia de tomar en cuenta el error de los descriptores estimados, al clasificar curvas de luz, y como los procesos de observación los impactan. | |
| dc.format.extent | xiv, 51 páginas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/16896 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/16896 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/16896 | |
| 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 - Observaciones. | es_ES |
| dc.subject.other | Minería de datos. | es_ES |
| dc.subject.other | Aprendizaje de máquina. | es_ES |
| dc.title | Automatic classification of poorly sampled variable stars | es_ES |
| dc.type | tesis de maestría | |
| sipa.codpersvinculados | 6541 |