Aprendizado de máquina para detecção de exoplanetas em dados da missão TESS

Página do item simplificado
dc.contributor.advisorSilva, Luciano
dc.contributor.authorAndrade, Israel da Silva Rodrigues de
dc.date.accessioned2022-01-19T20:13:16Z
dc.date.available2022-01-19T20:13:16Z
dc.date.issued2021-08-16
dc.description.abstractA 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.pt_BR
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nívelpt_BR
dc.identifier.urihttps://dspace.mackenzie.br/handle/10899/28660
dc.language.isopt_BRpt_BR
dc.language.isoenpt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectCCDpt_BR
dc.subjectexoplanetaspt_BR
dc.subjectaprendizado de máquinapt_BR
dc.subjectclassificador bináriopt_BR
dc.subjectárvore da decisãopt_BR
dc.subjectreconhecimento de padrõespt_BR
dc.subjectinteligência artificialpt_BR
dc.titleAprendizado de máquina para detecção de exoplanetas em dados da missão TESSpt_BR
dc.typeDissertaçãopt_BR
local.contributor.advisorLatteshttp://lattes.cnpq.br/7514305376858192pt_BR
local.contributor.authorLatteshttp://lattes.cnpq.br/6042847929025220pt_BR
local.contributor.authorOrcidhttps://orcid.org/0000-0003-3526-7963pt_BR
local.contributor.board1Andrade, Israel da Silva Rodrigues de
local.contributor.board1Latteshttp://lattes.cnpq.br/6042847929025220pt_BR
local.contributor.board1Orcidhttps://orcid.org/0000-0003-3526-7963pt_BR
local.contributor.board2Silva Júnior, Alexandre Ribeiro
local.contributor.board2Latteshttp://lattes.cnpq.br/1793314117702673pt_BR
local.description.abstractenThe detection of exoplanets on lightcurves can be a task with high computational cost,specially when the light curves have a high temporal resolution level, as those produced by TESS mission. The pre-processing of light curves is based on machine learning and has already been used successfully on Kepler mission, with partnership between NASA and Google (with tensor model on Tensorflow library), it could exclude light curves which do not have planetary transits, reducing the quantity of data to be further processed. In this context will we show on this dissertation the application of other techniques of machine learning such as Decision Trees, Random Forests and Boost to reduce the number of light curves from TESS mission, which do effectively, can be recognized to have planetary transits. We also show and commented results of the exploration these techniques in light curves on TESS mission.pt_BR
local.keywordsCCDpt_BR
local.keywordsexoplanetspt_BR
local.keywordsmachine learningpt_BR
local.keywordsbinary classifierpt_BR
local.keywordsdecision treept_BR
local.keywordspattern recognitionpt_BR
local.keywordsartificial intelligencept_BR
local.publisher.departmentCentro de Rádio Astronomia e Astrofísica Mackenzie (CRAAM)pt_BR
local.publisher.programCiências e Aplicações Geoespaciaispt_BR
local.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::ASTRONOMIA::ASTROFISICA ESTELARpt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Dissertação Israel da Silva Rodrigues de Andrade.pdf
Tamanho:
4.92 MB
Formato:
Adobe Portable Document Format
Descrição:
Israel da Silva Rodrigues de Andrade
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Ciências e Aplicações Geoespaciais - Teses - CRAAM