Rethinking Stella: comparativa de redes neuronales convolucionales para la clasificación de fulguraciones estelares en curvas de luz de la misión TESS
Fecha:
01/03/2023Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
Este estudio tiene como objetivo mejorar el desempeño del algoritmo Stella en la clasificación de fulguraciones estelares en curvas de luz obtenidas a través de la misión TESS. Para ello, se evaluaron 11 modelos con diferentes arquitecturas de redes neuronales convolucionales (CNN), incluyendo 6 arquitecturas conocidas y 5 nuevas implementaciones. Los resultados demuestran que los 5 modelos propuestos en el segundo experimento mejoran significativamente las métricas de accuracy, precision y recall, logrando una mejora de 2.1%, 3.02% y 7.1% respectivamente en el conjunto de validación. Además, se obtuvo una mejora de 5.4% en la clasificación de verdaderos positivos en el conjunto de validación y 4.42% en el conjunto de test según sus matrices de confusión. Además, las arquitecturas optimizadas permiten reducir en un 67.2% el número de parámetros entrenables con respecto al algoritmo Stella.
Descripción:
This study aims to improve the performance of the Stella algorithm in the classification of stellar flares in light curves obtained through the TESS mission. To do this, 11 models with different convolutional neural network (CNN) architectures were evaluated, including six known architectures and five new implementations. The results show that the five models proposed in the second experiment significantly improve the accuracy, precision, and recall metrics, achieving an improvement of 2.1%, 3.02%, and 7.1% respectively in the validation set. Additionally, a 5.4% improvement was obtained in the classification of true positives in the validation set and 4.42% in the test set according to their confusion matrix. Furthermore, the optimized architectures allow reducing the number of trainable parameters by 67.2% compared to the Stella algorithm.
Ficheros en el ítem
