Teses
URI Permanente desta comunidade
Navegar
Navegando Teses por Assunto "aprendizado de máquina"
Agora exibindo 1 - 2 de 2
Resultados por página
Opções de Ordenação
- DissertaçãoAprendizado de máquina para detecção de exoplanetas em dados da missão TESSAndrade, Israel da Silva Rodrigues de (2021-08-16)
Centro de Rádio Astronomia e Astrofísica Mackenzie (CRAAM)
A detecção de exoplanetas com base em curvas de luz pode ser um procedimento de alto custo computacional, especialmente quando tais curvas possuem alto nível de resolução temporal, como aquelas produzidas pela Missão TESS. O pré-processamento de curvas de luz baseado em Aprendizado de Máquina já foi utilizado com sucesso na Missão Ke pler, pela parceria entre a NASA e a Google (com o modelo tensorial do TensorFlow), permitindo excluir curvas de luz que não poderiam ter trânsitos planetários e reduzindo a quantidade de dados a serem processados posteriormente. Neste contexto, esta dissertação apresenta aplicação de outras técnicas de Aprendizado de Máquina como Árvores de Decisão, Florestas Aleatórias e Boost para reduzir o número de curvas de luz obtidas da Missão TESS que, efetivamente, podem reconhecer se há trânsitos planetários. Também são mostrados e comentados os resultados de exploração destas técnicas em curvas de luz da Missão TESS. - TeseDetecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost)Soltau, Samuel Bueno (2019-10-08)
Escola de Engenharia Mackenzie (EE)
Um dos principais aspectos de interesse nas rádio-fontes compactas é sua variabilidade. Este estudo utiliza um método de aprendizado de máquina chamado eXtreme Gradient Boosting (XGBoost) para investigar a periodicidade das rádio-fontes PKS1921-293eBL Lac 2200+420 por meio do tratamento e análise de curvas de luz,apartir dos dados do Observatório de Radio astronomia da Universidade de Michigan(UMRAO), obtidos na faixa rádio em 4, 8 GHz, 8, 0 GHz e 14, 5 GHz. Os períodos de tempo cobertos para PKS 1921-293,respectivamente nessas frequências,foram de1980 a 2011,de1975 a 2011 e de1976 a 2011 e para BLLac2200+420,respectivamente nas mesmas frequências foram 1977 a 2012,de1968 a 2012 e de 1974 a 2012.O XGBoost foi usado em duas etapas do método:na regularização de séries temporais afim de se obter dados de densidadede fluxo regularmente espaçado se para classificar flutuações na densidade de fluxo dos dois objetos estudados afim de se detectara ocorrência de periodicidade de outburst. Para cada etapa metodológica efetuou-se fases de treinamento com propósitos distintos.N aetapa de regularização das séries temporais, XGBoost foi capaz de produzir série stemporais regularmenteespaçadasparacurvasdeluzcomdadosdiários.Na busca por periodicidade, XGBoost identificou segmentos de dados nos quais see stimou a ocorrênciade outburst. Tanto para BLLac2200+420,quanto para PKS1921-293,as periodicidades encontradas foram comparadas com as existentes na literatura.Arobustez da biblioteca XGBoost proporcionou a oportunidade de se utilizar uma metodologia baseada em Machine Learning nos dado sem rádio e extrair informações com estratégias bastante distintas das utilizadas tradicionalmente para tratamento de séries temporais irregularmente espaçada se para a obtenção de periodicidade por meio de classificação de eventos recorrentes.