Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática (2020)
- Authors:
- Autor USP: RODRIGUES, NATÁLIA VILLA NOVA - IF
- Unidade: IF
- Sigla do Departamento: FMA
- DOI: 10.11606/D.43.2020.tde-21122020-120638
- Assunto: QUASARES
- Keywords: ESTRUTURAS EM LARGAS ESCALAS; LEVANTAMENTOS FOTOMÉTRICOS; APRENDIZAGEM AUTOMÁTICA.; LARGE-SCALE STRUCTURE; MACHINE LEARNING; PHOTOMETRIC SURVEYS; QUASARS
- Agências de fomento:
- Language: Inglês
- Abstract: A próxima geração de levantamentos astrofsicos contará com grandes quantidades de dados. Esse cenário motiva o uso de ferramentas de aprendizagem automática para classificar objetos observados como fontes pontuais de emissão. A seleção de quasares, em particular, é de fundamental importância para obter vnculos de parâmetros cosmológicos, investigar a evolução do universo e desvendar o mistério da energia escura. Neste tra- balho utilizamos algoritmos de aprendizagem automática para classificar quasares entre estrelas e galáxias. Em particular, desenvolvemos uma técnica para incluir as incertezas das medidas nesses algoritmos e mostramos, a partir de um modelo simplificado, que essa abordagem melhora a performance dos classificadores. Essas técnicas foram aplicadas aos dados de dois levantamentos fotométricos, S-PLUS e miniJPAS, que são caracteri- zados principalmente por suas configurações de filtros de bandas estreitas. As técnicas desenvolvidas aqui serão posteriormente utilizadas para construir catálogos de quasares e mapas de estruturas em grandes escalas.
- Imprenta:
- Data da defesa: 23.10.2020
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
RODRIGUES, Natália Villa Nova e ABRAMO, Luis Raul Weber. Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática. 2020. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2020. Disponível em: https://teses.usp.br/teses/disponiveis/43/43134/tde-21122020-120638/. Acesso em: 09 maio 2026. -
APA
Rodrigues, N. V. N., & Abramo, L. R. W. (2020). Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/43/43134/tde-21122020-120638/ -
NLM
Rodrigues NVN, Abramo LRW. Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática [Internet]. 2020 ;[citado 2026 maio 09 ] Available from: https://teses.usp.br/teses/disponiveis/43/43134/tde-21122020-120638/ -
Vancouver
Rodrigues NVN, Abramo LRW. Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática [Internet]. 2020 ;[citado 2026 maio 09 ] Available from: https://teses.usp.br/teses/disponiveis/43/43134/tde-21122020-120638/ - Characterizing large-scale structure tracers with machine learning
- The miniJPAS survey quasar selection – II: machine learning classification with photometric measurements and uncertainties
- The miniJPAS survey quasar selection – I: mock catalogues for classification
- The miniJPAS survey quasar selection: IV. Classification and redshift estimation with SQUEzE
- High-fidelity reproduction of central galaxy joint distributions with neural networks
- The miniJPAS survey quasar selection
- The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data
- Mimicking the halo–galaxy connection using machine learning
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
