Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost)
Carregando...
Tipo
Tese
Data de publicação
2019-10-08
Periódico
Citações (Scopus)
Autores
Soltau, Samuel Bueno
Orientador
Botti, Luiz Claudio Lima
Título da Revista
ISSN da Revista
Título de Volume
Membros da banca
Pamboukian, Sérgio Vicente Denser
Wuensche, Carlos Alexandre
Boas, José Williams dos Santos Vilas
Wuensche, Carlos Alexandre
Boas, José Williams dos Santos Vilas
Programa
Engenharia de Materiais e Nanotecnologia
Resumo
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.
Descrição
Palavras-chave
núcleos ativos de galáxias , periodicidade , aprendizado de máquina , XGBoost
Assuntos Scopus
Citação
SOLTAU, Samuel Bueno. Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost). 2019. 152 f. Tese (doutorado em Engenharia de Materiais e Nanotecnologia) - Universidade Presbiteriana Mackenzie, São Paulo, 2019.