Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost)

Página do item simplificado
dc.contributor.advisorBotti, Luiz Claudio Lima
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8648945122004492por
dc.contributor.authorSoltau, Samuel Bueno
dc.creator.Latteshttp://lattes.cnpq.br/4318353199461089por
dc.date.accessioned2020-04-23T17:21:23Z
dc.date.accessioned2020-05-28T18:15:04Z
dc.date.available2020-05-28T18:15:04Z
dc.date.issued2019-10-08
dc.description.abstractUm 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.por
dc.description.sponsorshipInstituto Presbiteriano Mackenziepor
dc.formatapplication/pdf*
dc.identifier.citationSOLTAU, 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.por
dc.identifier.urihttp://dspace.mackenzie.br/handle/10899/25803
dc.keywordsactive galatic nucleieng
dc.keywordsperioddicityeng
dc.keywordsmachine learningeng
dc.keywordsXGBoosteng
dc.languageporpor
dc.publisherUniversidade Presbiteriana Mackenziepor
dc.rightsAcesso Abertopor
dc.subjectnúcleos ativos de galáxiaspor
dc.subjectperiodicidadepor
dc.subjectaprendizado de máquinapor
dc.subjectXGBoostpor
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIASpor
dc.titleDetecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost)por
dc.typeTesepor
local.contributor.board1Pamboukian, Sérgio Vicente Denser
local.contributor.board2Wuensche, Carlos Alexandre
local.contributor.board3Boas, José Williams dos Santos Vilas
local.publisher.countryBrasilpor
local.publisher.departmentEscola de Engenharia Mackenzie (EE)por
local.publisher.initialsUPMpor
local.publisher.programEngenharia de Materiais e Nanotecnologiapor
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
Tese Samuel Bueno Soultau PROTEGIDO.pdf
Tamanho:
3.17 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Coleções
Ciências e Aplicações Geoespaciais - Teses - CRAAM