Mostrar el registro sencillo del ítem

dc.contributor.authorÁlvaro-Yunta, Carlos David
dc.date2020-12-31
dc.date.accessioned2021-05-21T07:30:45Z
dc.date.available2021-05-21T07:30:45Z
dc.identifier.urihttps://reunir.unir.net/handle/123456789/11384
dc.descriptionThe characterization and understanding of Open Clusters (OCs) allow us to understand better properties and mechanisms about the Universe such as stellar formation and the regions where these events occur. They also provide information about stellar processes and the evolution of the galactic disk. In this work, we present a novel method to characterize OCs. Our method employs a model built on Artificial Neural Networks (ANNs). More specifically, we adapted a state of the art model, the Deep Embedded Clustering (DEC) model for our purpose. The developed method aims to improve classical state of the arts techniques. We improved not only in terms of computational efficiency (with lower computational requirements), but in usability (reducing the number of hyperparameters to get a good characterization of the analyzed clusters). For our experiments, we used the Gaia DR2 database as the data source, and compared our model with the clustering technique K-Means. Our method achieves good results, becoming even better (in some of the cases) than current techniques.
dc.description.abstractLa caracterización y conocimiento de Cúmulos Abiertos permite conocer mejor propiedades y mecanismos del Universo tales como la formación de estrellas y las regiones donde se dan estos procesos. También permiten obtener información sobre procesos estelares y la evolución del disco galáctico. En este trabajo presentamos un método novedoso para caracterizar estos cúmulos. Nuestro método hace uso de un modelo basado en Redes Neuronales Artificiales. Más concretamente, adaptamos un modelo del estado del arte, el Deep Embedded Clustering (DEC), a nuestro problema. El método desarrollado tiene como objetivo mejorar las técnicas clásicas del estado del arte. Con nuestro método, no sólo mejoramos en términos de eficiencia de cálculo (consiguiendo menores requisitos computacionales), también mejoramos en usabilidad (reduciendo el número de hiperparámetros para conseguir una buena caracterización de los cúmulos analizados). Para nuestro experimentos, usamos la base de datos Gaia DR2 como fuente de datos, y comparamos nuestro modelos con el algoritmo de clustering K-Medias. Nuestro método consigue buenos resultados, siendo incluso mejor (en algunos casos) que las técnicas actuales.
dc.language.isoenges_ES
dc.rightsopenAccesses_ES
dc.subjectdata analysises_ES
dc.subjectdeep embedded clusteringes_ES
dc.subjectmachine learninges_ES
dc.subjectopen clusters characterizationes_ES
dc.subjectanálisis de datoses_ES
dc.subjectcaracterización de cúmulos abiertoses_ES
dc.subjectgaiaes_ES
dc.subjectinteligencia artificiales_ES
dc.subjectMáster Universitario en Inteligencia Artificiales_ES
dc.titleMachine Learning Tools for Open Cluster Characterization with Gaia DR2 Dataes_ES
dc.typemasterThesises_ES
reunir.tag~MIAes_ES


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem