Use este identificador para citar ou linkar para este item: http://dspace.mackenzie.br/handle/10899/18794
Tipo do documento: Tese
Título: Modelagem do comportamento temporal do quasar 3C273 utilizando técnicas de aprendizado de máquina
Autor: Ferrari, Ricardo Bulcão Valente
Primeiro orientador: Botti, Luiz Claudio Lima
Primeiro membro da banca: Szpigel, Sérgio
Segundo membro da banca: Silveira, Ismar Frango
Terceiro membro da banca: Souza, Carlos Alexandre Wuensche de
Quarto membro da banca: Boas, José Williams dos Santos Vilas
Resumo: Utilizando técnicas de aprendizagem de máquina, este trabalho visa a modelar o comportamento temporal de uma radiofonte extragaláctica, o quasar 3C273, registrado em curvas de luz bem amostradas, aplicando este modelo desenvolvido à curvas de luz com menor amostragem, de modo a preencher lacunas nas curvas de luz ocorridas em momentos nos quais não houve possibilidade de observação. Pretende-se ainda fazer um estudo desse objeto do ponto de vista das suas variabilidades espectral e temporal na faixa rádio do espectro eletromagnético. O quasar 3C273 tem sido monitorado em rádio desde 1963 (Schmidt, 1963) em diversas frequências e foi escolhido para este trabalho devido à grande quantidade de dados disponíveis. Utilizou-se os dados do Rádio-Observatório do Itapetinga (ROI), futuramente Rádio Observatório Pierre Kaufmann, em 22 e 43 GHz; do Rádio Observatório de Michigan (UMRAO), em 4,8, 8, 14,5 GHz; do Rádio Observatório de Metsähovi, em 22 e 37 GHz. Foram utilizados ainda dados milimétricos e submilimétricos, em 272 GHz (1,1 mm) e 380 GHz (0,8 mm) do Arranjo Interferométrico Submilimétrico (SMA) e em raios-X, na faixa de 2-10 keV (Trueler et al. 1999; Soldi et al. 2008). Primeiramente foi desenvolvido um código baseado em algoritmo genético (AG), que se mostrou uma boa ferramenta para ajustar os dados criados, aos dados observados. Porém, por haver a necessidade de um modelo prévio com o qual basear a aptidão do AG, foi feito o estudo das Redes Neurais Artificiais (RNA) as quais se mostram apropriadas para a tarefa, uma vez que não requerem um modelo previamente definido. As RNA mimetizam o processo de aprendizado do cérebro humano, formando e aplicando o conhecimento adquirido de experiências passadas para novos problemas ou situações. Com o desenvolvimento matemático das redes neurais, novas e mais complexas arquiteturas puderam ser desenvolvidas. Neste trabalho foi utilizado um tipo de Rede Neural Recorrente chamado Memória de Longo e Curto Prazo (LSTM), que se mostrou uma excelente escolha para modelar as curvas de luz do quasar 3C273 e fazer predições nas curvas de luz com base diária.
Abstract: Using machine-learning techniques, this work aims to model the temporal behavior from an extragalactic radio source, the quasar 3C273, register in well-sampled light curves, applying this result to less sampled curves, so it would be possible to fill gaps that have occurred in moments in which the observations were not possible. It is also intended to study this object from the point of view of its spectral and temporal variability in the radio range of the electromagnetic spectrum. The 3C273 quasar has been monitored in radio since 1963 (Schmidt, 1963) at various frequencies and was chosen for this work because of the large amount of data available. Data from several Radio Observatories were used, such as the Radio Observatory of Itapetinga (ROI) future ROPK – Radio Observatory Pierre Kaufmann, at 22 and 43 GHz; of the Michigan Radio Observatory (UMRAO) at 4,8, 8, 14,5 GHz and the Metsähovi Radio Observatory at 22 and 37 GHz. Millimetric and submillimetric data were also used, at 1.1 and 0.8 mm from Submillimetric Interferometer Array (SMA) and at X-rays, in the range of 2-10 keV (Trueler et al. 1999; Soldi et al. 2008). Firstly we developed a code based on genetic algorithm (GA), which is a good tool to adjust the data to the observed data. However, for the GA work properly, a previous model for the fitting function is necessary, and for this reason a study of a more appropriate technique, that do not require a previous model, was performed. The artificial neural networks (ANN) mimic the learning process of the human brain, forming and applying the knowledge gained from past experiences to new problems or situations. With the mathematical development of the neural network, new and more complex architectures could be developed. In this work, a Recurrent Neural Network type called Long and Short Time Memory (LSTM) was used, which proved to be an excellent choice to model the light curves of the 3C273 quasar and to make predictions on daily light curves.
Palavras-chave: AGN;  quasar 3c273;  rádio;  variabilidade;  curva de luz;  computação evolutiva;  redes neurais;  Long Short Term Memory (LSTM)
Área(s) do CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA
CNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA::INSTRUMENTACAO ASTRONOMICA::RADIOASTRONOMIA
Idioma: por
País: Brasil
Instituição: Universidade Presbiteriana Mackenzie
Sigla da instituição: UPM
Departamento: Escola de Engenharia Mackenzie (EE)
Programa: Ciências e Aplicações Geoespaciais
Citação: FERRARI, Ricardo Bulcão Valente. Modelagem do comportamento temporal do quasar 3C273 utilizando técnicas de aprendizado de máquina. 2019. 139 f. Tese( Ciências e Aplicações Geoespaciais) - Universidade Presbiteriana Mackenzie, São Paulo.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by-nc-nd/4.0/
URI: http://tede.mackenzie.br/jspui/handle/tede/3842
http://dspace.mackenzie.br/handle/10899/18794
Data de defesa: 15-Fev-2019
metadata.dc.bitstream.url: http://tede.mackenzie.br/jspui/bitstream/tede/3842/5/Ricardo%20Bulc%C3%A3o%20Valente%20Ferrari.pdf
Aparece nas coleções:Ciências e Aplicações Geoespaciais - Teses - CRAAM

Arquivos associados a este item:
Não existem arquivos associados a este item.


Este arquivo é protegido por direitos autorais



Este item está licenciada sob uma Licença Creative Commons Creative Commons