ENFOQUE HÍBRIDO PARA LA CLASIFICACIÓN DE ESPECTROS

ESTELARES MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL

UNIVERSIDAD DE A CORUÑA UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las

Comunicaciones

&Dept. Ciencias de la Navegación y de la Tierra

Alejandra Rodríguez (arodriguezf@udc.es)Carlos Dafonte (dafonte@udc.es)Bernardino Arcay (cibarcay@udc.es)Iciar Carricajo (iciar@udc.es)Minia Manteiga (manteiga@udc.es)

OBJETIVOS Desarrollo de un sistema automático para extracción de

parámetros físicos y químicos a partir de espectros estelares

Luminosidad Temperatura Efectiva Metalicidad

Clasificación de espectros ópticos de baja resolución en el sistema MK

Integración de varias técnicas de inteligencia artificial en un único sistema híbrido

Sistemas Expertos Redes de Neuronas Artificiales Técnicas Estadísticas de Clustering

SELECCIÓN DE DATOS Conjunto completo y consistente de 258 espectros de catálogos

públicos 3500 Å - 7500 Å con resolución de 5 Å

Silva (92), Pickles (98), Jacoby (84) Cubren todos los tipos espectrales y clases de luminosidad

Espectros analizados y corregidos manualmente utilizando técnicas de clustering

50% Conjunto de entrenamiento 15% Conjunto de validación 35% Conjunto de evaluación

Patrones de Entrada

Espectros completos Parámetros espectrales (bandas moleculares, líneas de

absorción y emisión)

SELECCIÓN DE DATOS

706 espectros en la región del triplete de Calcio 8348 Å -- 9020 Å con resolución de 1.5 Å

Proyecto GAIA Librería de espectros Cenarro, Gorgas et al, disponible

en: http://www.ucm.es/info/Astrof/ellipt/CATRIPLET.html

60% Conjunto de entrenamiento, 40% Conjunto de evaluación

Patrones de Entrada Parámetros espectrales: líneas de Fe, Ca, H

BD

Análisis

Preprocesado +

Análisis morfológico

ClasificaciónTécnicas de IA

Sistemas expertosRNAs

Técnicas de clustering

Espectros

Parámetros espectrales: líneas de absorción y emisión, bandas moleculares, etc

Espectro completo

Clasificación espectral

ESTRUCTURA DEL SISTEMA

Base de datos relacional diseñada para almacenar información sobre estrellas, espectros, imágenes, telescopios, fotometrías, referencias bibliográficas, fases evolutivas, clasificaciones, catálogos, medidas de parámetros, etc.

Proporciona un mecanismo de almacenamiento estructurado y seguro de la información

Sistema Gestor de Base de Datos PostgreSQL v. 7.1

Permite recuperar los datos almacenados de forma rápida,

cómoda y eficiente Interfaces de acceso y explotación a través de WEB

ORGANIZACIÓN DE LOS DATOS

ACCESO WEB

Tratamiento del espectro como señal de longitudes de onda y flujo energético

Preprocesado del espectro. Escalado, tratamiento de regiones espectrales vacías, ajuste de la frecuencia de muestreo

Análisis morfológico del espectro. Detección y medida de líneas de absorción/emisión, bandas moleculares, energía espectral

Bandas moleculares: algoritmo basado en integrales discretas

Líneas de absorción/emisión: algoritmo basado en la estimación del continuo local

Obtención de los parámetros y regiones espectrales necesarios para la clasificación

ANÁLISIS MORFOLÓGICO

Permiten reproducir el tipo de razonamiento utilizado por los espectroscopistas para clasificar espectros estelares

Combinación de sistemas de reglas de producción clásicos y sistemas de reglas basados en lógica difusa

Desarrollados en OPS/R2

Técnicas

Means-End Analysis

Max-Product

Fuzzy Centroid

Existen zonas de incertidumbre en la clasificación en las que el sistema obtiene varias conclusiones con una probabilidad asociada

Estudio adicional: resultados de los mejores modelos de redes de neuronas

CLASIFICACIÓN: SISTEMAS EXPERTOS

CLASIFICACIÓN: RNAs

SIMULADOR STUTTGART NEURAL NETWORK (SNNS v. 4.2)

Herramienta desarrollada en JAVA para manipular Redes de neuronas con diferentes algoritmos de aprendizaje y arquitecturas: Feed Forward, CPN, SOM, Correlación en Cascada. Posee una interfaz Web para la interacción con el usuarios.

CLASIFICACIÓN: RNAs Ejemplo del resultado del entrenamiento

BACKPROPAGATION

RED PATRONES CAPAS OCULTAS

Tipo Espectral Parámetros espectrales 10

Tipo Espectral Parámetros espectrales 5x5

Tipo Espectral Parámetros espectrales 10x10

Tipo Espectral Parámetros espectrales 10x5x3

Tipo Espectral 659 valores de flujo 100x50x10x3

Luminosidad Parámetros espectrales 10x10

Luminosidad 659 valores de flujo 100x50x10x3

KOHONEN

Mapas de dos dimensiones: 2x2, 6x6, 12x12 and 24x24

CLASIFICACIÓN: RNAs

RBF (Radial Basis Functions)

NETWORK INPUT PATTERNS HIDDEN LAYERS

Tipo Espectral Parámetros espectrales 16

Tipo Espectral Parámetros espectrales 8

Tipo Espectral Parámetros espectrales 4

Tipo Espectral 659 valores de flujo 124

Luminosidad Parámetros espectrales 8

Luminosidad 659 valores de flujo 124

TÉCNICAS CLUSTERING

MATLAB v.6.5.1

Algoritmos no jerárquicos:

K-means Max-min Iso-Data

Clusters iniciales: 6, 12

Análisis de sensibilidad de los parámetros de la clasificación

RESULTADOS

100 espectros de catálogos públicos (Silva, Jacoby, Pickels)

~ 95% BP, RBF, K-means & Isodata Las estrellas más problemáticas: B con líneas de emisión y M

0%

20%

40%

60%

80%

100%

Tipo Luminosidad

Human Expert A

Human Expert B

Expert Systems

Backpropagation

RBF

Kohonen

K-means

Max-Min

Isodata

Resultados preliminares para Teff con RNAs Redes entrenadas con índices espectrales: CaII, FeI, Lineas de Paschen

0,005 0,0025 0,0006 0,0001

5 0.43 0.43 0.69 0.74

10 0.42 0.47 0.70 0.75

15 0.46 0.45 0.71 0.78

20 0.44 0.43 0.72 0.77

25 0.39 0.44 0.68 0.79

Counter Propagation (CPN)0,005 0,0025 0,0006 0,0001

50 0.41 0.42 0.61 0.66

100 0.39 0.41 0.61 0.70

200 0.43 0.35 0.62 0.65

RESULTADOS: GAIA

FEED FORWARD

Capas ocultas

MSE

MSE

Capas ocultas

INTERFAZ DEL SISTEMA

ENFOQUE HÍBRIDO PARA LA CLASIFICACIÓN DE ESPECTROS

ESTELARES MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL

UNIVERSIDAD DE A CORUÑA UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las

Comunicaciones

&Dept. Ciencias de la Navegación y de la Tierra

Alejandra Rodríguez (arodriguezf@udc.es)Carlos Dafonte (dafonte@udc.es)Bernardino Arcay (cibarcay@udc.es)Iciar Carricajo (iciar@udc.es)Minia Manteiga (manteiga@udc.es)