Estudio y optimización de una estructura CNN de Deep Learning en predicción de parámetros estelares

Marín Lozano, Jaime (2019). Estudio y optimización de una estructura CNN de Deep Learning en predicción de parámetros estelares. Proyecto Fin de Carrera / Trabajo Fin de Grado, E.T.S.I. Industriales (UPM).

Description

Title: Estudio y optimización de una estructura CNN de Deep Learning en predicción de parámetros estelares
Author/s:
  • Marín Lozano, Jaime
Contributor/s:
  • Ordieres Meré, Joaquín
Item Type: Final Project
Degree: Grado en Ingeniería de Organización
Date: June 2019
Subjects:
Faculty: E.T.S.I. Industriales (UPM)
Department: Ingeniería de Organización, Administración de Empresas y Estadística
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (7MB) | Preview

Abstract

Desde que se tiene conocimiento de la existencia de planetas fuera de nuestro sistema solar, la búsqueda de estos exoplanetas que cumplan las condiciones de habitabilidad no ha parado. Los múltiples problemas por los que pasa la Tierra en estos últimos años ha incrementado este interés, por lo que se empezaron a definir cuales son las características claves en las que habría que fijarse para detectar si los exoplanetas descubiertos podrían ser viables para la vida. Finalmente se definió “la zona habitable”, este concepto relaciona el tamaño de la estrella del sistema solar con el del exoplaneta y la distancia entre ellos, permitiendo que teóricamente pueda albergar agua líquida (condición indispensable para la vida tal y como la conocemos). Una vez recogida la muestra de exoplanetas que se encuentran en esta zona, había que definir cuales son las características propias del planeta en las que había que enfocarse. El proyecto CARMENES, que es un consorcio hispano-alemán entre 11 organizaciones diferentes, se diseñó con la intención de buscar planetas de tipo terrestre en la zona de habitabilidad, o región en torno a una estrella donde las condiciones permiten la existencia de agua líquida. De este proyecto surgió la idea de estudiar como parámetros físicos estelares clave para la vida: la Temperatura Efectiva, la Gravedad Superficial y la Metalicidad. Una vez definidos estos parámetros clave, se decidió usar los espectrogramas que se recogían de estos exoplanetas y mediante técnicas de Machine Learning, en concreto, Deep Learning, entrenar modelos predictivos que nos dieran resultados aproximados a los parámetros clave. Una de las técnicas más famosas de Deep Learning son las Redes Neuronales Convolucionales (CNN, en inglés). Este tipo de arquitectura en los modelos predictivos estaba dando muy buenos resultados en la clasificación de imágenes, gracias a su reconocimiento de patrones. Uno de los primeros pasos del proyecto fue estudiar la viabilidad del uso de arquitecturas CNN para predecir los parámetros clave a partir de los espectrogramas. Este proyecto se realizó como un TFM en la ETSII (UPM), por parte de Don Jakob Salomonsson, con la supervisión de Don Joaquín Ordieres Meré. Durante el proyecto se decidió subdividir los espectrogramas en imágenes más pequeñas llamadas órdenes, las cuales contenían fragmentos de los espectrogramas y permitían analizar en detalle los patrones de las imágenes y mejorar el procesado de estas en el modelo predictivo, al suponer menos carga de trabajo computacional. El proyecto terminó con un resultado favorable sobre el uso de arquitecturas CNN con espectrogramas, aunque las diferencias con los valores reales eran significativas. Por ello, este proyecto tiene como objetivo estudiar y optimizar una arquitectura CNN que reduzca dichos errores al mínimo posible.

More information

Item ID: 55986
DC Identifier: http://oa.upm.es/55986/
OAI Identifier: oai:oa.upm.es:55986
Deposited by: Biblioteca ETSI Industriales
Deposited on: 07 Aug 2019 05:24
Last Modified: 29 Sep 2019 22:30
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM