Treffer: Unsupervised machine learning for the classification of astrophysical X-ray sources ; Aprendizaje Automático No Supervisado para la Clasificación de Fuentes Astrofísicas de Rayos X

Title:
Unsupervised machine learning for the classification of astrophysical X-ray sources ; Aprendizaje Automático No Supervisado para la Clasificación de Fuentes Astrofísicas de Rayos X
Source:
Merloni, A; Predehl, P; Becker, W; Böhringer, H; Boller, T; Brunner, H; Brusa, M; Dennerl, K; Freyberg, M; Friedrich, P; Georgakakis, A; Haberl, F; Hasinger, G; Meidinger, N; Mohr, J; Nandra, K; Rau, A; Reiprich, T H; Robrade, J; Salvato, M; Santangelo, A; Sasaki, M; Schwope, A; Wilms, J; Consortium, The German Erosita (2012) eROSITA Science Book: Mapping the Structure of the Energetic Universe. En: arXiv [astro-ph.HE]. Disponible en: http://arxiv.org/abs/1209.3114. ; Van Rossum, Guido; Drake, Fred L (2009) Python 3 Reference Manual. Scotts Valley, CA: CreateSpace; 9781441412690; ; Harris, Charles R; Millman, K Jarrod; van der Walt, Stéfan J; ....
Publisher Information:
Universidad del Rosario
Escuela de Ingeniería, Ciencia y Tecnología
Programa de Matemáticas Aplicadas y Ciencias de la Computación - MACC
Publication Year:
2021
Collection:
Universidad del Rosario, Bogotá: E-docUR
Document Type:
Dissertation bachelor thesis
File Description:
58 pp; application/pdf
Language:
Spanish; Castilian
ISBN:
978-1-4414-1269-0
978-0-7503-2163-1
978-0-387-31073-2
978-0-262-02818-9
978-94-011-5014-9
1-4414-1269-7
0-7503-2163-6
0-387-31073-8
0-262-02818-2
94-011-5014-1
DOI:
10.48713/10336_33793_
Rights:
info:eu-repo/semantics/embargoedAccess ; http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Accession Number:
edsbas.5B4805C1
Database:
BASE

Weitere Informationen

Contexto. El Chandra Source Catalog (CSC), que recoge las fuentes de rayos X detectadas por el Observatorio de Rayos X Chandra a lo largo de su historia, es un terreno fértil para el descubrimiento, ya que muchas de las fuentes que contiene no han sido estudiadas en detalle. En el CSC podríamos encontrar varios tipos de fuentes, desde objetos estelares jóvenes (YSO) y sistemas binarios, hasta incluso cuásares muy lejanos (QSO) o galaxias activas con agujeros negros supermasivos en sus núcleos. Entre las fuentes que podrían cambiar el paradigma y que podríamos buscar en los datos de Chandra están las fusiones de objetos compactos, los tránsitos de planetas extrasolares, los eventos de disrupción de mareas, etc. Sin embargo, sólo se ha clasificado una pequeña fracción de las fuentes del CSC. Para llevar a cabo una investigación exhaustiva de las fuentes del CSC, y estar preparados para los próximos grandes estudios de rayos X, necesitamos clasificar tantas fuentes del catálogo como sea posible. Objetivos. Este trabajo propone un enfoque de aprendizaje no supervisado para clasificar el mayor número posible de fuentes del Chandra Source Catalog, explorando primero las ventajas y los límites de utilizar sólo los datos de rayos X disponibles. El aprendizaje no supervisado es especialmente adecuado dada la gran cantidad de detecciones que aún no han sido clasificadas de forma independiente. Agrupando las observaciones de las fuentes por sus similitudes, y asociando después estos grupos con objetos previamente clasificados espectroscópicamente, buscamos proponer una nueva metodología que pueda proporcionarnos una clasificación probabilística para una numerosa cantidad de fuentes. Métodos. Empleamos métodos de aprendizaje no supervisado, primero K-means, y luego Gaussian Mixtures, aplicados a una lista de propiedades de rayos X, para clasificar probabilísticamente las fuentes de alta energía en el Chandra Source Catalog (CSC). Esto lo conseguimos asociando clusters específicos con aquellos objetos del CSC que tienen una ...