|
|
|
|
رهیافت یادگیری ماشین در تحلیل دادههای نورسنجی چالش نجومی plasticc
|
|
|
|
|
DOR
|
20.1001.2.9919014843.1398.20.1.20.8
|
|
نویسنده
|
بشارتی محیا ,ترکی مطهره ,سعادت مقدم نازنین ,سوکی ارغوان ,حاجی زاده هاله ,حسینی نژاد نیکو ,داورپناه شیده ,طباطبایی فاطمه ,وفایی صدر علیرضا
|
|
منبع
|
همايش ملي گرانش و كيهان شناسي - 1398 - دوره : 20 - همایش ملی گرانش و کیهان شناسی ۱۳۹۸ - کد همایش: 99190-14843 - صفحه:0 -0
|
|
چکیده
|
کیهان‌شناسی و اخترفیزیک مدرن منابعی غنی از دادههای بزرگ هستند، از این رو استفاده از روشهای موجود در علم داده برای تحلیل و بررسی آن‌ها اجتناب ناپذیر است. رصدگر lsst از نسل جدید تلسکوپ‌ها است که به زودی شروع به کار خواهد کرد و در طی فعالیت ده سالۀ آن، حجم دادۀ حدود 500 پتابایت دریافت خواهد شد. از اهداف اصلی طراحی این تلسکوپ، شناخت ماده تاریک و انرژی تاریک و هم‌چنین مطالعۀ تشکیل و ساختار کهکشان‌ها است. در این پژوهش ما از دادههای شبیهسازی شده از اجرام با نور متغیّر که توسط گروهlsst تحت عنوان چالش plasticc ارائه شده بود، استفاده کردیم. هدف ما در این پژوهش آن است که به کمک روشهای موجود در علم داده، ابزاری بسازیم که این حجم بزرگ از داده را دسته‌بندی کرده و در صورت امکان اشیای غیر معمول را از آن استخراج کند. نتایج ما تا کنون نشان می‌دهد که با اعمال روش یادگیری ماشین می‌توان برای دسته‌بندی این اجرام در 15 کلاس مختلف خطای 0.28 را برای دادههای آموزشی و خطای 0.8 را برای دادههای آزمون که شامل اجرام ناشناخته است، به دست آورد.
|
|
|
|
|
آدرس
|
دانشگاه شهید بهشتی, ایران. shahid beheshti university, دانشگاه شهید بهشتی, ایران. shahid beheshti university, دانشگاه شهید بهشتی, ایران. shahid beheshti university, دانشگاه شهید بهشتی, ایران. shahid beheshti university, دانشگاه شهید بهشتی, ایران. shahid beheshti university, دانشگاه شهید بهشتی, ایران. shahid beheshti university, دانشگاه شهید بهشتی, ایران. shahid beheshti university, پژوهشکده نجوم. پژوهشگاه دانشهای بنیادی, ایران. school of astronomy institute for research in fundamental sciences ipm, پژوهشکده فیزیک. پژوهشگاه دانشهای بنیادی, ایران. school of physics institute for research in fundamental sciences ipm
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Machine Learning Approaches to Photometric LSST Astronomical Time-Series Classification Challenge (PLAsTiCC)
|
|
|
|
|
Authors
|
Besharati Mahya ,Torki Motahare ,Saadat Moghadam Nazanin ,Souki Arghavan ,Hajizadeh Haleh ,Hosseininejad Nikoo ,Davarpanah Shideh ,Tabatabaei Fatemeh ,Vafaei Sadr Alireza
|
|
Abstract
|
Modern cosmology and astrophysics are rich sources of big data, so using data science methods to analyze this data is inevitable. The Large Synoptic Survey Telescope (LSST) is a new generation of telescopes that will start working soon and will receive about 500 petabytes of data during its ten-year mission. The main goals of the telescope are to understand the mysterious dark matter and dark energy, as well as study the formation and structure of galaxies. In this study, we use the data related to variable objects simulated by the LSST group called PLAsTiCC: Photometric LSST Astronomical Time-Series Classification Challenge. Our goal in this project is to develop data science tools to analyze this data in order to extract useful information from it. Finally, by applying Machine Learning method, we were able to classify these objects into 15 different classes, with error of 0.28 for training data and 0.8 for the test data, which includes unknown objects.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|