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
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
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://www.teses.usp.br/teses/disponiveis/43/43134/tde-21122020-120638/. Acesso em: 24 jan. 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://www.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 jan. 24 ] Available from: https://www.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 jan. 24 ] Available from: https://www.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: IV. Classification and redshift estimation with SQUEzE
- The miniJPAS survey quasar selection – I: mock catalogues for classification
- The miniJPAS survey quasar selection
- The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data
- High-fidelity reproduction of central galaxy joint distributions with neural networks
- Mimicking the halo–galaxy connection using machine learning
Informações sobre o DOI: 10.11606/D.43.2020.tde-21122020-120638 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
