Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost)
Ano de defesa: | 2019 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , , |
Tipo de documento: | Tese |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Presbiteriana Mackenzie
|
Programa de Pós-Graduação: |
Engenharia de Materiais e Nanotecnologia
|
Departamento: |
Escola de Engenharia Mackenzie (EE)
|
País: |
Brasil
|
Palavras-chave em Português: | |
Área do conhecimento CNPq: | |
Link de acesso: | http://dspace.mackenzie.br/handle/10899/25803 |
Resumo: | One ofthe most interesting aspects of compact radio-sourcesit’svariability.This study use a Machine Learning method called eXtreme Gradient Boosting(XGBoost) to investigate PKS 1921-293 and BLLac 2200+420 periodicities,through flux density treatment and analysis ofthe light curves,data sets from the University of Michigan Radio Astronomy Observatory(UMRAO),acquiredat 4.8 GHz, 8.0 GHz, and 14.5 GHz. The time period cover edto PKS1921-293,respective lyin these frequencies were from1980 to 2011,from 1975 to 2011 and from 1976 to 2011 and to BLLac 2200+420,respectively in the same frequencies were 1977 to 2012,from 1968 to 2012 and from 1974 to 2012. was used int wost eps ofthe method:time series regularization in order to obtaina regularly-spaced temporal flux density data,and to classification off luctuations in the flux density of thet wo objects in order to detect the occurrence of out burst periodicity.For each methodological stage,feature trainings were carried out with different purposes.In time series regularization,XGBoost wasable to produce regularly time serie for light curve with daily data.In periodi city search,XGBoost identified data segment son which the occurrence of out burst was estimated.Forboth BLLac2200+420andPKS1921-293,the periodi cities found were compared to those in the literature.XGBoost library robust ness provide de Xtreme Gradient Boosting the opportunity to use a Machine Learning based methodology on radio data and extract information with strategies quite different from those traditionally used to treat irregularly time series and toobta in periodicity through the classification o frecurrent events |
id |
UPM_f0a712d4d32b4d4ac68dcb7f8433d8fa |
---|---|
oai_identifier_str |
oai:dspace.mackenzie.br:10899/25803 |
network_acronym_str |
UPM |
network_name_str |
Biblioteca Digital de Teses e Dissertações do Mackenzie |
repository_id_str |
|
spelling |
2020-04-23T17:21:23Z2020-05-28T18:15:04Z2020-05-28T18:15:04Z2019-10-08SOLTAU, Samuel Bueno. Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost). 2019. 152 f. Tese (doutorado em Engenharia de Materiais e Nanotecnologia) - Universidade Presbiteriana Mackenzie, São Paulo, 2019.http://dspace.mackenzie.br/handle/10899/25803One ofthe most interesting aspects of compact radio-sourcesit’svariability.This study use a Machine Learning method called eXtreme Gradient Boosting(XGBoost) to investigate PKS 1921-293 and BLLac 2200+420 periodicities,through flux density treatment and analysis ofthe light curves,data sets from the University of Michigan Radio Astronomy Observatory(UMRAO),acquiredat 4.8 GHz, 8.0 GHz, and 14.5 GHz. The time period cover edto PKS1921-293,respective lyin these frequencies were from1980 to 2011,from 1975 to 2011 and from 1976 to 2011 and to BLLac 2200+420,respectively in the same frequencies were 1977 to 2012,from 1968 to 2012 and from 1974 to 2012. was used int wost eps ofthe method:time series regularization in order to obtaina regularly-spaced temporal flux density data,and to classification off luctuations in the flux density of thet wo objects in order to detect the occurrence of out burst periodicity.For each methodological stage,feature trainings were carried out with different purposes.In time series regularization,XGBoost wasable to produce regularly time serie for light curve with daily data.In periodi city search,XGBoost identified data segment son which the occurrence of out burst was estimated.Forboth BLLac2200+420andPKS1921-293,the periodi cities found were compared to those in the literature.XGBoost library robust ness provide de Xtreme Gradient Boosting the opportunity to use a Machine Learning based methodology on radio data and extract information with strategies quite different from those traditionally used to treat irregularly time series and toobta in periodicity through the classification o frecurrent eventsUm dos principais aspectos de interesse nas rádio-fontes compactas é sua variabilidade. Este estudo utiliza um método de aprendizado de máquina chamado eXtreme Gradient Boosting (XGBoost) para investigar a periodicidade das rádio-fontes PKS1921-293eBL Lac 2200+420 por meio do tratamento e análise de curvas de luz,apartir dos dados do Observatório de Radio astronomia da Universidade de Michigan(UMRAO), obtidos na faixa rádio em 4, 8 GHz, 8, 0 GHz e 14, 5 GHz. Os períodos de tempo cobertos para PKS 1921-293,respectivamente nessas frequências,foram de1980 a 2011,de1975 a 2011 e de1976 a 2011 e para BLLac2200+420,respectivamente nas mesmas frequências foram 1977 a 2012,de1968 a 2012 e de 1974 a 2012.O XGBoost foi usado em duas etapas do método:na regularização de séries temporais afim de se obter dados de densidadede fluxo regularmente espaçado se para classificar flutuações na densidade de fluxo dos dois objetos estudados afim de se detectara ocorrência de periodicidade de outburst. Para cada etapa metodológica efetuou-se fases de treinamento com propósitos distintos.N aetapa de regularização das séries temporais, XGBoost foi capaz de produzir série stemporais regularmenteespaçadasparacurvasdeluzcomdadosdiários.Na busca por periodicidade, XGBoost identificou segmentos de dados nos quais see stimou a ocorrênciade outburst. Tanto para BLLac2200+420,quanto para PKS1921-293,as periodicidades encontradas foram comparadas com as existentes na literatura.Arobustez da biblioteca XGBoost proporcionou a oportunidade de se utilizar uma metodologia baseada em Machine Learning nos dado sem rádio e extrair informações com estratégias bastante distintas das utilizadas tradicionalmente para tratamento de séries temporais irregularmente espaçada se para a obtenção de periodicidade por meio de classificação de eventos recorrentes.Instituto Presbiteriano Mackenzieapplication/pdfporUniversidade Presbiteriana MackenzieEngenharia de Materiais e NanotecnologiaUPMBrasilEscola de Engenharia Mackenzie (EE)núcleos ativos de galáxiasperiodicidadeaprendizado de máquinaXGBoostCNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIASDetecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost)info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisBotti, Luiz Claudio Limahttp://lattes.cnpq.br/8648945122004492Pamboukian, Sérgio Vicente DenserWuensche, Carlos AlexandreBoas, José Williams dos Santos Vilashttp://lattes.cnpq.br/4318353199461089Soltau, Samuel Buenohttp://tede.mackenzie.br/jspui/bitstream/tede/4257/2/Tese%20Samuel%20Bueno%20Soultau%20PROTEGIDO.pdfactive galatic nucleiperioddicitymachine learningXGBoostinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações do Mackenzieinstname:Universidade Presbiteriana Mackenzie (MACKENZIE)instacron:MACKENZIE10899/258032020-05-28 15:15:04.535Biblioteca Digital de Teses e Dissertaçõeshttp://tede.mackenzie.br/jspui/PRI |
dc.title.por.fl_str_mv |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) |
title |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) |
spellingShingle |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) Soltau, Samuel Bueno núcleos ativos de galáxias periodicidade aprendizado de máquina XGBoost CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS |
title_short |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) |
title_full |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) |
title_fullStr |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) |
title_full_unstemmed |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) |
title_sort |
Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost) |
author |
Soltau, Samuel Bueno |
author_facet |
Soltau, Samuel Bueno |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Botti, Luiz Claudio Lima |
dc.contributor.advisor1Lattes.fl_str_mv |
http://lattes.cnpq.br/8648945122004492 |
dc.contributor.referee1.fl_str_mv |
Pamboukian, Sérgio Vicente Denser |
dc.contributor.referee2.fl_str_mv |
Wuensche, Carlos Alexandre |
dc.contributor.referee3.fl_str_mv |
Boas, José Williams dos Santos Vilas |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/4318353199461089 |
dc.contributor.author.fl_str_mv |
Soltau, Samuel Bueno |
contributor_str_mv |
Botti, Luiz Claudio Lima Pamboukian, Sérgio Vicente Denser Wuensche, Carlos Alexandre Boas, José Williams dos Santos Vilas |
dc.subject.por.fl_str_mv |
núcleos ativos de galáxias periodicidade aprendizado de máquina XGBoost |
topic |
núcleos ativos de galáxias periodicidade aprendizado de máquina XGBoost CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::GEOCIENCIAS |
description |
One ofthe most interesting aspects of compact radio-sourcesit’svariability.This study use a Machine Learning method called eXtreme Gradient Boosting(XGBoost) to investigate PKS 1921-293 and BLLac 2200+420 periodicities,through flux density treatment and analysis ofthe light curves,data sets from the University of Michigan Radio Astronomy Observatory(UMRAO),acquiredat 4.8 GHz, 8.0 GHz, and 14.5 GHz. The time period cover edto PKS1921-293,respective lyin these frequencies were from1980 to 2011,from 1975 to 2011 and from 1976 to 2011 and to BLLac 2200+420,respectively in the same frequencies were 1977 to 2012,from 1968 to 2012 and from 1974 to 2012. was used int wost eps ofthe method:time series regularization in order to obtaina regularly-spaced temporal flux density data,and to classification off luctuations in the flux density of thet wo objects in order to detect the occurrence of out burst periodicity.For each methodological stage,feature trainings were carried out with different purposes.In time series regularization,XGBoost wasable to produce regularly time serie for light curve with daily data.In periodi city search,XGBoost identified data segment son which the occurrence of out burst was estimated.Forboth BLLac2200+420andPKS1921-293,the periodi cities found were compared to those in the literature.XGBoost library robust ness provide de Xtreme Gradient Boosting the opportunity to use a Machine Learning based methodology on radio data and extract information with strategies quite different from those traditionally used to treat irregularly time series and toobta in periodicity through the classification o frecurrent events |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-10-08 |
dc.date.accessioned.fl_str_mv |
2020-04-23T17:21:23Z 2020-05-28T18:15:04Z |
dc.date.available.fl_str_mv |
2020-05-28T18:15:04Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SOLTAU, Samuel Bueno. Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost). 2019. 152 f. Tese (doutorado em Engenharia de Materiais e Nanotecnologia) - Universidade Presbiteriana Mackenzie, São Paulo, 2019. |
dc.identifier.uri.fl_str_mv |
http://dspace.mackenzie.br/handle/10899/25803 |
identifier_str_mv |
SOLTAU, Samuel Bueno. Detecção de periodicidade em dados multi frequência de núcleos ativos de galáxias com aprendizagem de máquina (XGBoost). 2019. 152 f. Tese (doutorado em Engenharia de Materiais e Nanotecnologia) - Universidade Presbiteriana Mackenzie, São Paulo, 2019. |
url |
http://dspace.mackenzie.br/handle/10899/25803 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Presbiteriana Mackenzie |
dc.publisher.program.fl_str_mv |
Engenharia de Materiais e Nanotecnologia |
dc.publisher.initials.fl_str_mv |
UPM |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Escola de Engenharia Mackenzie (EE) |
publisher.none.fl_str_mv |
Universidade Presbiteriana Mackenzie |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do Mackenzie instname:Universidade Presbiteriana Mackenzie (MACKENZIE) instacron:MACKENZIE |
instname_str |
Universidade Presbiteriana Mackenzie (MACKENZIE) |
instacron_str |
MACKENZIE |
institution |
MACKENZIE |
reponame_str |
Biblioteca Digital de Teses e Dissertações do Mackenzie |
collection |
Biblioteca Digital de Teses e Dissertações do Mackenzie |
repository.name.fl_str_mv |
|
repository.mail.fl_str_mv |
|
_version_ |
1757174473795043328 |