[Resumen] En la llamada era de las TIC, las capacidades de los sistemas de adquisición de datoshan aumentado enormemente, de forma que resulta complicado almacenar toda lainformación que producen, así como su análisis posterior. Esta explosión de datos haaparecido recientemente en el campo de la Astronomía, donde cada vez se observanun número mayor de objetos, con mayor periodicidad. Un ejemplo de esto es lapróxima misión Gaia, que observará múltiples propiedades de hasta mil millones deestrellas, cuya información tendrá un volumen del orden del petabyte. Por lo tanto, paraanalizar tal cantidad de datos, es necesario desarrollar nuevos métodos de análisis quepermitan extraer todo el conocimiento presente en los mismos. Esta tesis está dedicadaal desarrollo de métodos de análisis de datos, los cuales se integran en la cadena deprocesado de Gaia, con el objetivo de extraer conocimiento de los datos recogidos porla misión.Con el objetivo de analizar los datos de la misión Gaia, se ha organizado un consorcio anivel europeo, llamado Data Processing and Analysis Consortium (DPAC), compuestopor cientos de científicos e ingenieros. DPAC se divide en ocho unidades de coordinación(CUs), estando esta tesis dedicada al desarrollo de algoritmos en la CU8, que se encargade la estimación de parámetros astrofísicos (APs) y la clasificación de las fuentes. Sedesarrollan métodos basados en redes de neuronas artificiales (ANNs) para realizarlas tareas relacionadas con dos paquetes de trabajo diferentes en la CU8: El paqueteGSP-Spec (GWP-823) y el paquete OA (GWP-836).El paquete GSP-Spec se encarga de la estimación de APs de estrellas mediante el espectrodel instrumento Radial Velocity Spectrograph (RVS). Aquí, se presentará el desarrollode uno de los módulos de GSP-Spec, el cual se basa en la aplicación de ANNs detipo feed-forward. Se presenta una metodología, basada en algoritmos genéticos deoptimización, para la obtención de un conjunto óptimo de parámetros de configuraciónpara la ANN en cada caso, en función de la relación señal a ruido (SNR) en el espectroRVS y del tipo de estrella a parametrizar. Además, con el objetivo de mejorar lasestimaciones de APs, se estudian técnicas de procesado wavelet, aplicadas sobre elespectro RVS. A pesar de la efectividad que las ANNs muestran a la hora de estimar APs,en principio éstas carecen de la capacidad de proporcionar un valor de incertidumbresobre dichas estimaciones, con lo cual resulta imposible conocer la fiabilidad de lasmismas. Debido a ello, se presenta una arquitectura novedosa para la ANN, en lacual se invierten las entradas y salidas de la misma, de forma que la ANN estima elespectro RVS a partir de los APs. Dicha arquitectura de denomina red neuronal artificialgenerativa (GANN) y se aplica a la estimación de APs de un conjunto de espectros RVSsimulados para la misión Gaia, donde se muestra más efectiva que el modelo de ANNconvencional, en el caso de estrellas débiles, con un bajo SNR. Finalmente, la red GANNpuede aplicarse para la obtención de la probabilidad a posteriori de cada uno de los APsdado el espectro RVS, lo cual permitirá un análisis más completo de los mismos.Dada la naturaleza de la misión Gaia, la cual es la primera misión astronómica queobservará, de forma no sesgada, toda la bóveda celeste hasta magnitud 20, se espera unagran cantidad de objetos atípicos. El paquete OA en la CU8 se encarga del procesadode dicho tipo de objetos, los cuales se definen como aquellos que no han podido serclasificados con fiabilidad por los paquetes de clasificación existentes en la cadena deprocesamiento. Los métodos de OA se basan en el aprendizaje no supervisado delconjunto de observaciones atípicas. Dicho aprendizaje tiene dos partes: agrupamiento yreducción de dimensionalidad. Se seleccionan los mapas auto-organizativos (SOM) comoalgoritmo base para realizar dicho aprendizaje, demostrándose su efectividad cuando seaplica, con una configuración óptima, a las simulaciones de Gaia. Además, el algoritmoes aplicado a observaciones atípicas reales, provenientes del catálogo SDSS. Dado quees necesaria una identificación posterior de los grupos obtenidos por la red SOM, seaplican dos métodos de identificación diferentes. El primero está basado en la similitudentre los prototipos de la red y el conjunto de simulaciones de Gaia, mientras que elotro esa basado en la recuperación de clasificaciones almacenadas en el catálogo Simbad,mediante el cruce de coordenadas celestes. Gracias a la visualización de la red SOM,y a ambos métodos de identificación, es posible distinguir entre observaciones válidasy artefactos observacionales. Además, el método posibilita la selección de objetos deinterés para observaciones posteriores, con el objetivo de determinar la naturaleza de losmismos.
展开▼
