E-Locus - Ιδρυματικό Καταθετήριο Πανεπιστημίου Κρήτης - Classification of X-ray binary systems using the machine learning methods of random forest and artificial neural networks

Αρχική Classification of X-ray binary systems using the machine learning methods of random forest and artificial neural networks

Αποτελέσματα - Λεπτομέρειες

[Προσθήκη στο καλάθι]

Κωδικός Πόρου

000443069

Τίτλος

Classification of X-ray binary systems using the machine learning methods of random forest and artificial neural networks

Άλλος τίτλος

Χαρακτηρισμός διπλών αστρικών συστημάτων ακτίνων Χ μέσω αλγόριθμων μηχανικής μάθησης random forest και ΤΝΔ

Συγγραφέας

Φραντζέσκος, Χαράλαμπος Γ.

Σύμβουλος διατριβής

Ζέζας, Ανδρέας

Περίληψη

Στην εργασία αυτή, επιχειρούμε να βελτιώσουμε τις υπάρχουσες μεθόδους αναγνώρισης και ταυτοποίησης διπλών αστρικών συστημάτων εκπομπής ακτίνων Χ. Σε αυτά τα συστήματα υπάρχουν δύο σώματα, ένα συμπαγές αντικείμενο(Αστέρας Νετρονίων ή Μαύρη Τρύπα) και ένα αστέρι συνοδός. Η αναγνώριση και ταυτοποίηση αυτών των συστημάτων, μπορεί να γίνει είτε με βάση το συμπαγές αντικείμενο, είτε με βάση το αστέρι συνοδό, στη δική μας έρευνα ταυτοποιούμε τα συστήματα ανάλογα με το συμπαγές αντικείμενο που περιέχουν καθώς και την κατάσταση συσσώρευσης στην οποία βρίσκεται. Η παραδοσιακή μέθοδος ταυτοποίησης, ήταν η ανάγνωση του φάσματος κάθε μεμονωμένου συστήματος από κάποιον εξειδικευμένο επιστήμονα και στη συνέχεια η κατηγοριοποίηση του με βάση τα χαρακτηριστικά του φάσματός του. Ωστόσο, η διαδικασία αυτή είναι αρκετά χρονοβόρα και ο παράγοντας του ανθρώπινου λάθους σημαντικός. Αυτό έδωσε ώθηση στους αστροφυσικούς να αναζητήσουν νέες λύσεις για να επιταχύνουν τη διαδικασία και να μειώσουν τη πιθανότητα λάθους. Τα τελευταία χρόνια έχουν δημοσιευτεί πολλές ερευνητικές εργασίες που επικεντρώνονται σε συστήματα του κλάδου της τεχνητής νοημοσύνης και συγκεκριμένα της μηχανικής μάθησης για την επίλυση των προαναφερθέντων προβλημάτων. Καθώς όλο και περισσότεροι επιστήμονες στρέφονται στην επιστήμη δεδομένων και τη μηχανική μάθηση για βελτιστοποιήσουν την επίλυση αυτών των προβλημάτων, μπορεί κανείς να περιμένει ότι θα δούμε σημαντική βελτίωση στους αλγόριθμους μηχανικής μάθησης, έτσι ώστε αυτού του είδους τα προβλήματα να γίνουν απλά θέμα ρουτίνας. Στη δική μας έρευνα, αναπτύξαμε αλγόριθμους μηχανικής μάθησης Τυχαίου Δάσους καθώς και Τεχνητά Νευρωνικά Δίκτυα κάνοντας χρήση σετ δεδομένων από το NuSTAR για διπλά αστρικά συστήματα ακτίνων Χ που περιέχουν είτε Αστέρες Νετρονίων ή Μαύρες τρύπες ή Πάλσαρ ως το συμπαγές αντικείμενό τους. Τα αποτελέσματά μας δείχνουν ότι και τα δύο μοντέλα που αναπτύξαμε αποδίδουν εξαιρετικά με ακρίβεια αναγνώρισης 97.31% από τον αλγόριθμο Τυχαίου Δάσους και 96.63% από το Τεχνητό Νευρωνικό Δίκτυο. Συγκρίνοντας τα μοντέλα μας με ένα άλλο μοντέλο μηχανικής μάθησης που ονομάζεται SVM και που έχει χρησιμοποιηθεί πάνω στα ίδια σετ δεδομένων πετυχαίνοντας μια μέση ακρίβεια αναγνώρισης 92.9%, μπορούμε να πούμε με ασφάλεια ότι και τα δύο μοντέλα μας αποδίδουν καλύτερα κι επομένως η χρήση τους ενδείκνυται έναντι των SVMs. Και παρότι οι διαφορά στην απόδοση μεταξύ των δύο μοντέλων μας είναι πολύ μικρή, παρατηρούμε ότι το Τυχαίο Δάσος αποδίδει ελαφρώς καλύτερα στο πρόβλημα της αναγνώρισης με βάση την κατάσταση συσσώρευσης, ενώ το Τεχνητό Νευρωνικό Δίκτυο αποδίδει ελαφρώς καλύτερα στο πρόβλημα της αναγνώρισης του συμπαγούς αντικειμένου.

Φυσική περιγραφή

79 σ. : πίν., σχήμ. εικ. (μερ. εγχρ.) ; 30 εκ.

Γλώσσα

Αγγλικά

Θέμα

Artificial intelligence

Astrophysics

X-Ray binaries

Αστροφυσική

Διπλά αστρικά συστήματα ακτίνων Χ

Μηχανική μάθηση

Τεχνητά νευρωνικά δίκτυα