Please use this identifier to cite or link to this item:

http://hdl.handle.net/10609/99207
Full metadata record
DC FieldValueLanguage
dc.contributor.authorArribas Zapater, Luis Enrique-
dc.date.accessioned2019-07-14T21:33:56Z-
dc.date.available2019-07-14T21:33:56Z-
dc.date.issued2019-06-12-
dc.identifier.urihttp://hdl.handle.net/10609/99207-
dc.description.abstractEste proyecto trata un problema de clasificación de objetos astronómicos a partir de los datos registrados por el telescopio LSST, correspondientes a series históricas de flujo. En primer lugar, presentamos las técnicas de aprendizaje computacional y minería de datos utilizadas en el proyecto. A continuación, se describen los conceptos astronómicos necesarios para el trabajo. Analizamos los datos mediante técnicas de minería de datos y agrupamos las muestras en función de dos de sus características. Transformamos los datos, calculando la magnitud y el color de los objetos. Sometemos a los datos a un proceso de reducción de ruido y a una inferencia bayesiana de sus valores de flujo. Convertimos los datos en series temporales a las que realizamos un proceso de extracción de características. Reducimos las características, mediante sucesivas clasificaciones de forma iterativa, hasta encontrar la dimensionalidad óptima y construimos con dichas características tres clasificadores de 1, 2 y 4 bosques aleatorios. Validamos el modelo y discutimos los resultados. Finalmente se proponen líneas de trabajo para el futuro.es
dc.description.abstractAquest projecte tracta un problema de classificació d'objectes astronòmics a partir de les dades registrades pel telescopi LSST, corresponents a sèries històriques de flux. En primer lloc, presentem les tècniques d'aprenentatge computacional i mineria de dades utilitzades en el projecte. A continuació, es descriuen els conceptes astronòmics necessaris per al treball. Analitzem les dades mitjançant tècniques de mineria de dades i agrupem les mostres en funció de dues de les seves característiques. Transformem les dades, calculant la magnitud i el color dels objectes. Sotmetem a les dades a un procés de reducció de soroll i a una inferència bayesiana dels seus valors de flux. Convertim les dades en sèries temporals a les que realitzem un procés d'extracció de característiques. Reduïm les característiques, mitjançant successives classificacions de forma iterativa, fins a trobar la dimensionalitat òptima i construïm amb aquestes característiques 03:00 classificadors d'1, 2 i 4 boscos aleatoris. Validem el model i discutim els resultats. Finalment es proposen línies de treball per al futur.ca
dc.description.abstractThis project addresses a problem of classification of astronomical objects from the data recorded by the LSST telescope, corresponding to historical flow series. First, we present the techniques of computational learning and data mining used in the project. Next, the astronomical concepts necessary for the work are described. We analyze the data using data mining techniques and group the samples according to two of their characteristics. We transform the data, calculating the magnitude and color of the objects. We submit the data to a noise reduction process and to a Bayesian inference of its flow values. We convert the data into time series to which we perform a feature extraction process. We reduce the characteristics, through successive classifications iteratively, until we find the optimal dimensionality and build with these characteristics three classifiers of 1, 2 and 4 random forests. We validate the model and discuss the results. Finally, work lines are proposed for the future.en
dc.format.mimetypeapplication/pdf-
dc.language.isospa-
dc.publisherUniversitat Oberta de Catalunya (UOC)-
dc.rightsGNU Free Documentation License-
dc.rights.urihttp://www.gnu.org/licenses/gpl.html-
dc.subjectmachine learningen
dc.subjectaprendizaje automáticoes
dc.subjectLSSTen
dc.subjectdata miningen
dc.subjectminería de datoses
dc.subjectmineria de dadesca
dc.subjectaprenentatge automàticca
dc.subjectLSSTca
dc.subjectLSSTes
dc.subjectfotometríaes
dc.subjectphotometryen
dc.subjectfotometriaca
dc.subject.lcshMachine learning -- TFGen
dc.titleClasificación automática de objetos astronómicos por fotometría en series históricas recogidas por el Large Synoptic Survey Telescope (LSST)-
dc.typeinfo:eu-repo/semantics/bachelorThesis-
dc.audience.educationlevelEstudis de Grauca
dc.audience.educationlevelEstudios de Gradoes
dc.audience.educationlevelUniversity degreesen
dc.subject.lemacAprenentatge automàtic -- TFGca
dc.subject.lcshesAprendizaje automático -- TFGes
dc.contributor.directorVentura Royo, Carles-
dc.contributor.tutorNuñez Do Rio, Joan Manuel-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Appears in Collections:Bachelor thesis, research projects, etc.

Files in This Item:
File Description SizeFormat 
larribas24TFG0719memoria.pdfMemoria del TFG3.22 MBAdobe PDFView/Open
larribas24TFG0719presentación.pdfPresentación del TFG3.63 MBAdobe PDFView/Open
Luis_Arribas_Presentación_TFG.mp4208.09 MBMP4View/Open

Items in repository are protected by copyright, with all rights reserved, unless otherwise indicated.