Upload
ramla
View
31
Download
0
Embed Size (px)
DESCRIPTION
ENFOQUE HÍBRIDO PARA LA CLASIFICACIÓN DE ESPECTROS ESTELARES MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL. UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las Comunicaciones & Dept. Ciencias de la Navegación y de la Tierra. - PowerPoint PPT Presentation
Citation preview
ENFOQUE HÍBRIDO PARA LA CLASIFICACIÓN DE ESPECTROS
ESTELARES MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL
UNIVERSIDAD DE A CORUÑA UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las
Comunicaciones
&Dept. Ciencias de la Navegación y de la Tierra
Alejandra Rodríguez ([email protected])Carlos Dafonte ([email protected])Bernardino Arcay ([email protected])Iciar Carricajo ([email protected])Minia Manteiga ([email protected])
OBJETIVOS Desarrollo de un sistema automático para extracción de
parámetros físicos y químicos a partir de espectros estelares
Luminosidad Temperatura Efectiva Metalicidad
Clasificación de espectros ópticos de baja resolución en el sistema MK
Integración de varias técnicas de inteligencia artificial en un único sistema híbrido
Sistemas Expertos Redes de Neuronas Artificiales Técnicas Estadísticas de Clustering
SELECCIÓN DE DATOS Conjunto completo y consistente de 258 espectros de catálogos
públicos 3500 Å - 7500 Å con resolución de 5 Å
Silva (92), Pickles (98), Jacoby (84) Cubren todos los tipos espectrales y clases de luminosidad
Espectros analizados y corregidos manualmente utilizando técnicas de clustering
50% Conjunto de entrenamiento 15% Conjunto de validación 35% Conjunto de evaluación
Patrones de Entrada
Espectros completos Parámetros espectrales (bandas moleculares, líneas de
absorción y emisión)
SELECCIÓN DE DATOS
706 espectros en la región del triplete de Calcio 8348 Å -- 9020 Å con resolución de 1.5 Å
Proyecto GAIA Librería de espectros Cenarro, Gorgas et al, disponible
en: http://www.ucm.es/info/Astrof/ellipt/CATRIPLET.html
60% Conjunto de entrenamiento, 40% Conjunto de evaluación
Patrones de Entrada Parámetros espectrales: líneas de Fe, Ca, H
BD
Análisis
Preprocesado +
Análisis morfológico
ClasificaciónTécnicas de IA
Sistemas expertosRNAs
Técnicas de clustering
Espectros
Parámetros espectrales: líneas de absorción y emisión, bandas moleculares, etc
Espectro completo
Clasificación espectral
ESTRUCTURA DEL SISTEMA
Base de datos relacional diseñada para almacenar información sobre estrellas, espectros, imágenes, telescopios, fotometrías, referencias bibliográficas, fases evolutivas, clasificaciones, catálogos, medidas de parámetros, etc.
Proporciona un mecanismo de almacenamiento estructurado y seguro de la información
Sistema Gestor de Base de Datos PostgreSQL v. 7.1
Permite recuperar los datos almacenados de forma rápida,
cómoda y eficiente Interfaces de acceso y explotación a través de WEB
ORGANIZACIÓN DE LOS DATOS
ACCESO WEB
Tratamiento del espectro como señal de longitudes de onda y flujo energético
Preprocesado del espectro. Escalado, tratamiento de regiones espectrales vacías, ajuste de la frecuencia de muestreo
Análisis morfológico del espectro. Detección y medida de líneas de absorción/emisión, bandas moleculares, energía espectral
Bandas moleculares: algoritmo basado en integrales discretas
Líneas de absorción/emisión: algoritmo basado en la estimación del continuo local
Obtención de los parámetros y regiones espectrales necesarios para la clasificación
ANÁLISIS MORFOLÓGICO
Permiten reproducir el tipo de razonamiento utilizado por los espectroscopistas para clasificar espectros estelares
Combinación de sistemas de reglas de producción clásicos y sistemas de reglas basados en lógica difusa
Desarrollados en OPS/R2
Técnicas
Means-End Analysis
Max-Product
Fuzzy Centroid
Existen zonas de incertidumbre en la clasificación en las que el sistema obtiene varias conclusiones con una probabilidad asociada
Estudio adicional: resultados de los mejores modelos de redes de neuronas
CLASIFICACIÓN: SISTEMAS EXPERTOS
CLASIFICACIÓN: RNAs
SIMULADOR STUTTGART NEURAL NETWORK (SNNS v. 4.2)
Herramienta desarrollada en JAVA para manipular Redes de neuronas con diferentes algoritmos de aprendizaje y arquitecturas: Feed Forward, CPN, SOM, Correlación en Cascada. Posee una interfaz Web para la interacción con el usuarios.
CLASIFICACIÓN: RNAs Ejemplo del resultado del entrenamiento
BACKPROPAGATION
RED PATRONES CAPAS OCULTAS
Tipo Espectral Parámetros espectrales 10
Tipo Espectral Parámetros espectrales 5x5
Tipo Espectral Parámetros espectrales 10x10
Tipo Espectral Parámetros espectrales 10x5x3
Tipo Espectral 659 valores de flujo 100x50x10x3
Luminosidad Parámetros espectrales 10x10
Luminosidad 659 valores de flujo 100x50x10x3
KOHONEN
Mapas de dos dimensiones: 2x2, 6x6, 12x12 and 24x24
CLASIFICACIÓN: RNAs
RBF (Radial Basis Functions)
NETWORK INPUT PATTERNS HIDDEN LAYERS
Tipo Espectral Parámetros espectrales 16
Tipo Espectral Parámetros espectrales 8
Tipo Espectral Parámetros espectrales 4
Tipo Espectral 659 valores de flujo 124
Luminosidad Parámetros espectrales 8
Luminosidad 659 valores de flujo 124
TÉCNICAS CLUSTERING
MATLAB v.6.5.1
Algoritmos no jerárquicos:
K-means Max-min Iso-Data
Clusters iniciales: 6, 12
Análisis de sensibilidad de los parámetros de la clasificación
RESULTADOS
100 espectros de catálogos públicos (Silva, Jacoby, Pickels)
~ 95% BP, RBF, K-means & Isodata Las estrellas más problemáticas: B con líneas de emisión y M
0%
20%
40%
60%
80%
100%
Tipo Luminosidad
Human Expert A
Human Expert B
Expert Systems
Backpropagation
RBF
Kohonen
K-means
Max-Min
Isodata
Resultados preliminares para Teff con RNAs Redes entrenadas con índices espectrales: CaII, FeI, Lineas de Paschen
0,005 0,0025 0,0006 0,0001
5 0.43 0.43 0.69 0.74
10 0.42 0.47 0.70 0.75
15 0.46 0.45 0.71 0.78
20 0.44 0.43 0.72 0.77
25 0.39 0.44 0.68 0.79
Counter Propagation (CPN)0,005 0,0025 0,0006 0,0001
50 0.41 0.42 0.61 0.66
100 0.39 0.41 0.61 0.70
200 0.43 0.35 0.62 0.65
RESULTADOS: GAIA
FEED FORWARD
Capas ocultas
MSE
MSE
Capas ocultas
INTERFAZ DEL SISTEMA
ENFOQUE HÍBRIDO PARA LA CLASIFICACIÓN DE ESPECTROS
ESTELARES MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL
UNIVERSIDAD DE A CORUÑA UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las
Comunicaciones
&Dept. Ciencias de la Navegación y de la Tierra
Alejandra Rodríguez ([email protected])Carlos Dafonte ([email protected])Bernardino Arcay ([email protected])Iciar Carricajo ([email protected])Minia Manteiga ([email protected])