Your browser does not support JavaScript!

Αρχική    Συλλογές    Τύπος Εργασίας    Μεταπτυχιακές εργασίες ειδίκευσης  

Μεταπτυχιακές εργασίες ειδίκευσης

Τρέχουσα Εγγραφή: 5 από 4651

Πίσω στα Αποτελέσματα Προηγούμενη σελίδα
Επόμενη σελίδα
Προσθήκη στο καλάθι
[Προσθήκη στο καλάθι]
Κωδικός Πόρου 000425704
Τίτλος Classification of X-Ray binary systems using machine learning methods
Άλλος τίτλος Ταξινόμηση των δυαδικών συστημάτων ακτίνων-Χ με τη χρήση μεθόδων μηχανικής μάθησης
Συγγραφέας Μπέρτσιας, Αντώνιος Κ.
Σύμβουλος διατριβής Ζέζας, Ανδρέας
Μέλος κριτικής επιτροπής Κυλάφης, Νικόλαος
Reig, Pablo
Περίληψη Τα διπλά συστήματα ακτίνων-Χ (X-ray binaries ή XRBs) είναι αστρικά συστήματα που αποτελούνται από συμπαγές άστρο και ένα «κανονικό αστέρι» (αστέρι δότης). Τα δύο αντικείμενα περιστρέφονται γύρω από το κοινό κέντρο μάζας τους και είναι αρκετά κοντά ώστε να αλληλεπιδρούν και να ανταλλάσουν μάζα, σχηματίζοντας ένα δίσκο προσαύξησης. Σχεδόν όλα τα XRBs αποτελούν μεταβλητές πηγές παραγωγής ακτίνων-Χ και τις ανακαλύπτουμε κατά τη διάρκεια εκλάμψεων. Οι μεταβολές στην ένταση των ακτίνων-Χ μας οδήγησαν στην ιδέα της ύπαρξης διαφορετικών καταστάσεων προσαύξησης. Στόχος της παρούσας εργασίας είναι η ανάπτυξη δυσδιάστατων και τρισδιάστατων διαγνωστικών διαγραμμάτων για τον χαρακτηρισμό των καταστάσεων προσαύξησης μελανών οπών αλλά και για τον χαρακτηρισμό του τύπου συμπαγούς αστεριού (μελανή οπή ή αστέρας νετρονίων). Το δείγμα μας αποτελείται από χαρακτηρισμένα φάσματα (2685 φάσματα από 34 διαφορετικές πηγές αστέρων νετρονίων και 8976 φάσματα από 14 διαφορετικές πηγές μελανών οπών) τα οποία ελήφθησαν από τον δορυφόρο RXTE και έχουν προσομοιαστεί σαν παρατηρήσεις από τον δορυφόρο NuSTAR. Για την δημιουργία των διαγνωστικών εργαλείων χρησιμοποιήθηκαν τα δύο hardness ratios (HR1 και HR2) καθώς και ο ρυθμός καταγραφής φωτονίων (count rate). Τα διαγνωστικά αυτά εργαλεία χρησιμοποιήθηκαν για τον χαρακτηρισμό νέων μη-χαρακτηρισμένων παρατηρήσεων. Τα βέλτιστα διαχωριστικά υπερεπίπεδα (hyperplanes) δημιουργήθηκαν με τη χρήση αλγόριθμων Μηχανών Διανυσμάτων Υποστήριξης (Support Vector Machines, SVMs). Οι συναρτήσεις Kernel που χρησιμοποιήθηκαν ήταν γραμμικές, 1ης και 2ης τάξης πολυωνυμικές και Radial Basis Function (RBF). Με την εφαρμογή των προαναφερθέντων μοντέλων SVM δημιουργήθηκαν τα διαγνωστικά εργαλεία που προσφέρουν τα βέλτιστα δυνατά ποσοστά ταξινόμησης, ενώ για τις ανωτέρω αναλύσεις χρησιμοποιήθηκε το στατιστικό εργαλείο Matlab R2017b. Αναλύοντας τα αποτελέσματα που προέκυψαν, συζητάμε ποια διαγνωστικά εργαλεία είναι σε θέση να δώσουν τους βέλτιστα ποσοστά σωστού χαρακτηρισμού άγνωστων πηγών και προτείνουμε τα επόμενα βήματα για την περαιτέρω ανάπτυξή των μεθόδων μηχανικής μάθησης. Η παραγωγή τέτοιων διαγνωστικών εργαλείων είναι σε θέση να μας βοηθήσει στον έλεγχο μοντέλων σύνθεσης-πληθυσμού διπλών συστημάτων ακτίνων-Χ καθώς και στη καλύτερη κατανόηση των μηχανισμών παραγωγής ενέργειας μέσω προσαύξησης.
Φυσική περιγραφή 63 σ. : πίν., σχήμ. εικ. (μερ. εγχρ.) ; 30 εκ.
Γλώσσα Αγγλικά
Θέμα Astronomy
Astrophysics
Black holes
Neutron stars
Support vector machines
Αστέρες νετρονίων
Αστρονομία
Αστροφυσική
Μέθοδοι μηχανικής μάθησης
Μελανές οπές
Μηχανές διανυσματικής υποστήριξης
Ημερομηνία έκδοσης 2019-11-29
Συλλογή   Σχολή/Τμήμα--Σχολή Θετικών και Τεχνολογικών Επιστημών--Τμήμα Φυσικής--Μεταπτυχιακές εργασίες ειδίκευσης
  Τύπος Εργασίας--Μεταπτυχιακές εργασίες ειδίκευσης
Μόνιμη Σύνδεση https://elocus.lib.uoc.gr//dlib/6/3/3/metadata-dlib-1572947113-429152-5965.tkl Bookmark and Share
Εμφανίσεις 31

Ψηφιακά τεκμήρια
No preview available

Δεν έχετε δικαιώματα για να δείτε το έγγραφο.
Δεν θα είναι διαθέσιμο έως: 2019-11-28