Untitled

Abstract

The classification of supernovae (explosions of certain stars) divides them into two main types, those of type I do not present Hydrogen in the spectrum while those of type II present. In addition to the division into these two types, there is still a subdivision that establishes types Ia, Ib and Ic. In practice, the classification of supernovae requires specialized knowledge of astronomers and data (light spectra) of good quality. Some automatic/intelligent classifiers have been developed and are reported in the literature, one of them is CIntIa, which uses 4 Artificial Neural Networks to classify supernovae types Ia, Ib, Ic and II. The objective of this work is to improve CIntIa, so that it has more diversity in its learning, proposing CIntIa 2.0. In this way, this work is a hierarchical learning structure that connects Artificial Neural Networks in an integrated system that allows a more secure and unambiguous classification. The computational improvement of this new version included the increased amount of data used at all stages of development of intelligent classifier and a new approach to filtering and processing of spectral data, ensuring better quality of information that are to be trained networks. The results achieved were good, especially in the classification of types Ia and II. A comparison with the works found in the literature shows that CIntIa 2.0 is superior in quantity and diversity of data and achieves higher classification indices than the other classifiers. Resumo A classificação das supernovas (explosões de certas estrelas) as divide em dois tipos principais, as do tipo I não apresentam Hidrogénio no espectro enquanto as do tipo II apresentam. Além da divisão nesses dois tipos, há ainda uma subdivisão que estabelece os tipos Ia, Ib e Ic. Na prática, a classificação das supernovas exige o conhecimento especializado de astrónomos e dados (espectros de luz) de boa qualidade. Alguns classificadores automáticos/inteligentes foram desenvolvidos e são reportados na literatura, um deles é a CIntIa, que usa 4 Redes Neurais Artificiais individuais para classificar as supernovas nos tipos Ia, Ib, Ic e II. O objetivo deste trabalho é aperfeiçoar a CIntIa, a fim de que ela tenha mais diversidade em seu aprendizado, propondo a CIntIa 2.0. Dessa maneira, este trabalho propõe uma estrutura de aprendizado hierárquica que conecta as Redes Neurais Artificiais individuais em um sistema integrado permitindo uma classificação mais segura e não ambígua. O aprimoramento computacional desta nova versão compreendeu o aumento da quantidade de dados usados em todas as fases de desenvolvimento do classificador inteligente e uma nova abordagem na filtragem e processamento dos dados espectrais, garantindo mais qualidade nas informações que são submetidas ao treinamento das redes. Os resultados obtidos com este aprimoramento demonstram um bom desempenho, principalmente na classificação dos tipos Ia e II. Uma comparação com os trabalhos encontrados na literatura mostra que a CIntIa 2.0 é superior em quantidade e diversidad...

Estratégia de dupla filtragem utilizando o filtro de Savitzky-Golay em dados espectrais de supernovas

“…A eliminação de ruído e a otimização dos espectros pelo SDF-SG possibilitou que espectros não fossem descartados e que o treinamento por RNA's fosse feito de maneira mais segura, pois os dados ltrados possuíam índices mínimos de ruído e ainda sim mantinham as características principais dos espectros originais. Desta forma, os resultados obtidos com a classi cação de supernovas pela CINTIA 2 possuem uma qualidade estatística superior, atingindo uma acurácia média de 95% (do Nascimento et al;2019).…”