Segundo Informe del Proyecto de Investigacion

Redes Neuronales
Universidad de Cuenca
Facultad de Ingeniera
Escuela de Ingeniera Electronica y Telecomunicaciones
Fabian Guaman - fabian.guamanc@ucuenca.ec
1. Topico
El tema elegido para el trabajo de investigaci on es Data Mining en general apli-
cado a la astronomia para clasicacion de planetas y galaxias utilizando algoritmos
inteligentes de redes neuronales.
2. Descripcion de los Temas
-Data Mining utilizando redes neuronales.- Se buscara un conjunto de algoritmos
inteligentes capaces de explorar grandes cantidades de informacion de las bases de
datos [3].
-Data Mining en usado en la astronoma.- en la actualidad los telescopios a nivel mundial
recopilan gran cantidad de datos en el orden de los petabyte por eso se ha visto un
enfoque diferente en el analisis de grandes vol umenes de datos. La investigaci on sobre
la aplicaci on de algoritmos de minera de datos (Data Mining) , tales como la clasicac
on mediante el uso de redes neuronales se ha debatido en la comunidad de la astronoma
en los ultimos a nos.
3. Avances Sobre la Investigaci on
3.1. Variables a analizar
Las posibles variables a analizar de una minera de datos pueden ser representados
por vectores de entrada a la red neuronal y los datos de los telescopios su analisis
puede ser complejo como por ejemplo el telescopio Spitzer Space Telescope que puede
producir mas de 3000 variables por eso es necesario optimizar el tiempo de calculo y
la complejidad para el proceso de aprendizaje [4]. Se necesita un n umero tan grande
de variables de entrada para hacer predicciones de distribuciones espectrales de energa
de galaxias. Por eso es sustancial reducir estas variables, seg un algunas investigaciones
encontraron un subconjunto util de propiedades de las galaxias para construir una capa
de entrada con 12 propiedades que serian los vectores de entrada para que un conjunto
de redes neuronales haga el proceso de clasicacion.
1
3.2. Fases de Data Mining
El analisis de la minera de datos consiste en tres fases principales
1. Pre procesamiento de datos
2. Aplicacion de tecnicas de minera de datos.
3. Interpretaci on de los resultados. [5]
3.3. Pre-procesamiento de datos
Antes de que los par ametros de entrada de la red sean introducidos es necesario
hacer un pre procesamiento de datos [5].
Folkes et al (1996) Es una estrategia de pre-procesamiento de datos detallados que
utiliza varios metodos estadsticos para tomar un peque no conjunto de espectros de alta
relaci on se nal-ruido, y lograr un analisis de distintos niveles de ruido.
Ademas otra forma de pre procesamiento es el analisis de Componentes Principales
(PCA) que se utiliza para comprimir y analizar el conjunto de datos con el n de ex-
traer informacion signicativa de los espectros de ruido. Los resultados de la PCA se
introducen en la Red Neuronal para la clasicaci on de las galaxias [6].
Uno de los problemas mas comunes para la minera de datos astron omica es la cla-
sicaci on si es una estrella o es una galaxia, esto depende de los telescopios y equipos
que captan las se nales, el problema consiste en el reconocimiento de esos objetos cuya
distribuci on de luz no se puede distinguir de la PSF (Funci on de dispersi on del pun-
to)(estrellas) de aquellos cuya distribuci on de luz aparece extendida (galaxias).
Un Humano experto normalmente podr a clasicar los objetos, ya sea directamente
apreciando los objetos en una imagen (ya sea fotogr aca o digital) o desde el valor de
un conjunto nito de parametros derivados a traves de diagramas . Este enfoque, sin
embargo, es demasiado tiempo y es demasiado dependiente de la experiencia personal
del observador [6]:
(i) la elecci on de los parametros m as adecuados vara mucho de un autor a otro, lo que
hace difcil las comparaciones.
(ii) Independientemente de la complejidad del problema, debido a la obvia limitaciones
de la representaci on de tres o mas dimensiones en el espacio en un gr aco bidimensional,
s olo dos caractersticas son a menudo considerados.
Como se menciono anteriormente, el problema estrellas/galaxias puede ser abordado
por una amplia variedad de metodos neuronales [7]. Uno de los metodo optados es la
estrategia de eliminaci on hacia atras secuencial (Bishop, 1995) Que consiste en una serie
de iteraciones eliminando en cada paso la caracterstica de que es menos signicativa
para la clasicaci on. Numerosas pruebas mostraron que los mejores resultados en clasi-
caci on de las estrellas/galaxia se obtienen mediante el uso de s olo seis caractersticas
(dos radios, dos gradientes, el segundo momento total y una relacion de Miller y Coe).
Clasicaci on de las estrellas/galaxias se realiz o por medio de un perceptron multicapa.
En la mayora de problemas de clasicaci on utilizan un perceptron multicapa y el al-
goritmo de back propagation [2], [1].
2
Para Learning se realizo en el conjunto de entrenamiento y la tecnica de detenci on tem-
prana se utiliza para evitar el sobreajuste (Bishop, 1995) que se analizara en el reporte
nal.
4. Objetivos Cumplidos
Se tiene conocimientos introductorios de la minera de datos en general, sus fases
y un estudio de una de las tantas ramas que se puede analizar la mineria de datos
que es en la astronoma se ha logrado una introduccion de los algoritmos a usar en
la clasicacion como el preceptr on multicapa y el algoritmo de back propagation que
servira para clasicar galaxias y planetas
Referencias
[1] Mark W Craven. Using neural networks fot data mining. page 33, 2004.
[2] Manel HAMDI Faissal MILI. A hybrid evolutionary functional link articial neural
network for data mining and classication. pages 917 924, 2012.
[3] D. Malagon, C. ; Nieto. Automatic image classication from cherenkov telescopes
using bayesian ensemble of neural networks. pages 4954, 2009.
[4] McCarty. Articial neural network applications in astronomy. pages 18, 2011.
[5] Ms.Smita.Nirkhi. Potential use of articial neural network in data mining. pages
339 343, 2010.
[6] Leopoldo Milano Roberto Tagliaferri, Giuseppe Longo. Neural networks in astro-
nomy. pages 123, 2003.
[7] R.Y. Webb S.J. Weddell. Dynamic articial neural networks for centroid prediction
in astronomy. pages 16, 2006.
3