Ir al menú de navegación principal Ir al contenido principal Ir al pie de página del sitio

Vol. 1 Núm. 2E (2022)
Núm. 2E (2022): Número Especial: VII Congreso de Astronomía y Astrofísica 2022

Artículos de investigación / Research papers

Optimización de un sistema difuso para la detección automática de tránsitos planetarios en curvas de luz de estrellas individuales

https://doi.org/10.19053/01217488.v1.n2E.2022.15136

Publicado 2022-12-12

  • Christian Leonardo Muñoz Cardenas
    • ,
  • David Santiago Gómez Lozano
    • ,
  • Cristian Marquez
    • ,
  • Edilberto Suarez Torres
    • ,
  • Camilo Delgado Correal

Christian Leonardo Muñoz Cardenas
a:1:{s:5:"es_ES";s:47:"Universidad Distrital Francisco José de Caldas";}

David Santiago Gómez Lozano
Universidad Distrital Francisco José de Caldas

Cristian Marquez
Elemy

Edilberto Suarez Torres
Universidad Distrital Francisco José de Caldas

Camilo Delgado Correal
Universidad Distrital Francisco José de Caldas

Resumen

El método de tránsito es un método efectivo para identificar planetas extrasolares, que se basa en la disminución poco profunda que provoca un planeta en el brillo aparente de su estrella anfitriona. Sin embargo, los eventos de tránsito están muy cerca del límite de la sensibilidad de detección de los telescopios y se necesitan al menos tres (3) eventos de tránsito producidos por el mismo planeta para confirmar el descubrimiento de éste, lo que hace que se requieran observaciones por tiempos prolongados de una estrella para detectar planetas extrasolares que puedan estar orbitandola, lo que resulta en grandes cantidades de datos que deben ser analizados. En este trabajo se desarrolló una nueva tuberia de software (pipeline) para la detección autónoma de rastros de tránsitos planetarios analizando características extraídas de curvas de luz estelares utilizando un clasificador de lógica difusa, evadiendo la tarea de buscar tránsitos en cada sección de las curvas de luz. Para el desarrollo de esta tuberia de software se implementó la metodologia llamada: Knowledge Discovery in Databases (KDD) la cual presenta una forma de extraer conocimiento de grandes conjuntos de datos.

Palabras clave

Curvas de luz, Inteligencia computacional, Lógica Difusa, Método de tránsito, Optimización global, Planetas extrasolares

PDF

Citas

  1. A. Megías, “Caracterización de sistemas exoplanetarios mediante el ajuste de series temporales fotométricas y de velocidad radial”, Trabajo de fin de Máster, Departa- mento de Física de la Tierra y Astrofísica, Facultad de Ciencias Físicas, Universidad Complutense de Madrid, Madrid, 2019.
  2. E.A. Rojas, “Análisis de curvas de luz de exoplanetas utilizando datos de la sonda espacial Kepler”, Trabajo de graduación, Departamento de Física, Universidad de San Carlos de Guatemala, Guatemala, 2016.
  3. P. Brennan, “Exoplanet Exploration: Planets Beyond our Solar System”, 2022. Disponible en https://exoplanets. nasa.gov/discovery/exoplanet-catalog. Obtenido en enero 11, 2023.
  4. J.G. Ahuatzi, “Ajuste simultáneo a curvas de luz y veloci- dad radial para sistemas en tránsito”, Instituto Nacional de Astrofísica, óptica y Electrónica, Puebla, México, 2014.
  5. G. Kovács, S. Zucker & T. Mazeh, “A box-fitting algo- rithm in the search for periodic transits”, en A&A, vol. 391, DOI: https://doi.org/10.1051/0004-6361:20020802
  6. no. 1, pp. 369-377, Agosto, 2002. https://doi.org/10.1051/ 0004- 6361:20020802
  7. D.Mislis,E.Bachelet,K.A.Alsubai,etal,“sidra:ablind algorithm for signal detection in photometric surveys”, en MNRAS, vol. 455, no. 1, pp. 626â633, Enero, 2016. https://doi.org/10.1093/mnras/stv2333 DOI: https://doi.org/10.1093/mnras/stv2333
  8. D.S. Julian, “Búsqueda de tránsitos planetarios alrededor de enanas ultrafrías”, Trabajo de fin de Máster, Universi- dad de La Laguna, 2019.
  9. NASAExoplanetScienceInstitute,“ExoplanetandCandi- date Statistics”[online]. NASA Exoplanet Archive, 2022. Disponible en https://exoplanetarchive.ipac.caltech.edu/ docs/counts_detail.html
  10. G.C.Sturrock,B.Manry&S.Rafiqi,“MachineLearning Pipeline for Exoplanet Classification”, en SMU Data Sci. Rev., vol. 2, no. 1, Article 9, 2019. https://scholar.smu.edu/ datasciencereview/vol2/iss1/9
  11. C. J Shallue & A. Vanderburg, “Identifying Exoplanets with Deep Learning: A Five-planet Resonant Chain around Kepler-80 and an Eighth Planet around Kepler-90”, en ApJ, vol. 155, no. 2, pp 21, 2018. https://doi.org/10.3847/ 1538- 3881/aa9e09 DOI: https://doi.org/10.3847/1538-3881/aa9e09
  12. M. Ansdell, Y. Ioannou, H. P. Osborn, et al, “Scientific Domain Knowledge Improves Exoplanet Transit Classifi- cation with Deep Learning”, en ApJL, vol. 869, L7, 2018. https://doi.org/10.3847/2041-8213/aaf23b DOI: https://doi.org/10.3847/2041-8213/aaf23b
  13. L.Ofman,A.Averbuch,A.Shliselberg,etal,“Automated identification of transiting exoplanet candidates in NASA Transiting Exoplanets Survey Satellite (TESS) data with machine learning methods”, en NewA, vol. 91, no. 1, 2022. https://doi.org/10.1016/j.newast.2021.101693 DOI: https://doi.org/10.1016/j.newast.2021.101693
  14. R.M.AsifAminetal,“Detectionofexoplanetsystemsin Kepler light curves using adaptive neuro-fuzzy system”, 2018 International Conference on Intelligent Systems (IS), pp. 66â72, 2018. https://doi.org/10.1109/IS.2018.8710502 DOI: https://doi.org/10.1109/IS.2018.8710502
  15. H. Valizadegan et al, “ExoMiner: A Highly Accurate and Explainable Deep Learning Classifier That Validates 301 New Exoplanets”, en ApJ, vol. 926, no. 2, pp. 120. https: //doi.org/10.3847/1538- 4357/ac4399 DOI: https://doi.org/10.3847/1538-4357/ac4399
  16. C. Moutou & F. Pont, “Detection and characterization of extrasolar planets: the transit method”, en Ecole de Goutelas, vol. 28, pp. 55â79, 2006. http://astro.u-strasbg. fr/goutelas/g2005/
  17. W. Frawley et al, “Knowledge Discovery in Databases: An Overview”, en AI Mag., 13(3), 57, 1992. https://doi. org/10.1609/aimag.v13i3.1011
  18. O. Maimon & L. Rokach, “Introduction to Knowledge Discovery in Databases”, en Data Mining and Knowled- ge Discovery Handbook. Springer, Boston, MA, pp 1-14. https://doi.org/10.1007/0-387-25465-X_1 DOI: https://doi.org/10.1007/0-387-25465-X_1
  19. F. Dernoncourt, “Introduction to fuzzy logic”, [online]. Massachusetts Institute of Technology, Cambridge, MA. 2013. Disponible en http://aisii.azc.uam.mx/mcbc/Cursos/ IntCompt/Lectura15.pdf
  20. Serena Yeung, “What is Computer Vision?”[online]. Stan- ford Artificial Intelligence Laboratory’s Outreach Summer camp (SAILORS), 2015. Disponible en https://ai.stanford. edu/~syyeung/cvweb/tutorial1.html
  21. M. Clere, “Particle Swarm Optimization ”, en Hermes Science/Lavoisier, Paris, Francia, 2005. https://doi.org/10. 1002/9780470612163
  22. Robinson, Jacob & Rahmat-Samii, Yahya. “Y.: Particle Swarm Optimization in Electromagnetics. IEEE Trans. on Antennas and Propagation Antennas and Propagation. https://doi.org/10.1109/TAP.2004.823969 DOI: https://doi.org/10.1109/TAP.2004.823969
  23. “Exoplanet Hunting in Deep Space”[online], Kag- gle, 2016. Disponible en https://www.kaggle.com/ keplersmachines/kepler-labelled-time-series-data
  24. J. H. Catanzarite, “Autovetter Planet Candidate Catalog for Q1-Q17 Data Release 24”, NASA Ames Research Center, 2015. KSCI-19091-001
  25. G.Lemaitreetal,“Imbalanced-learn:APythonToolbox to Tackle the Curse of Imbalanced Datasets in Machine Learning”, arXiv, 2016. https://doi.org/10.48550/ARXIV. 1609.06570
  26. F. Pedregosa et al, “Scikit-learn: Machine Learning in Python”, arXiv, 2012. https://doi.org/10.48550/ARXIV. 1201.0490
  27. U. Rajendra et al, “Application of entropies for automated diagnosis of epilepsy using EEG signals: A review”, en
  28. Knowledge-Based Syst., vol. 88, pp. 85-96, Noviembre, 2015. https://doi.org/10.1016/j.knosys.2015.08.004 DOI: https://doi.org/10.1016/j.knosys.2015.08.004
  29. O. Ulkir et al, “Emg Signal Classification Using Fuzzy Logic”, en Balkan j. Electric. Comput. Eng., vol. 5, no. 2, pp. 97-101, Septiembre, 2017, https://doi.org/10.17694/ bajece.337941 DOI: https://doi.org/10.17694/bajece.337941
  30. P.Virtanenetal,“SciPy1.0:fundamentalalgorithmsfor scientific computing in Python”, en Nat. Methods, vol. 17, pp. 261-272, Febrero 2020. https://doi.org/10.1038/ s41592-019-0686-2
  31. C. R. Harris et al, “Array programming with NumPy”, en Nat, vol. 585, pp. 357-362, 2020. https://doi.org/10.1038/ s41586-020-2649-2 DOI: https://doi.org/10.1038/s41586-020-2649-2
  32. F.Baoetal,“PyEEG:AnOpenSourcePythonModulefor EEG/MEG Feature Extraction”, en Comput. Intell. Neu- rosci., vol. 2011, 406391, 2011. https://doi.org/10.1155/ 2011/406391
  33. J.Warneretal,“JDWarner/scikit-fuzzy:Scikit-Fuzzyver- sion 0.4.2 (v0.4.2)”, Zenodo, 2019. https://doi.org/10. 5281/zenodo.802396
  34. J.Demsaretal,“Orange:DataMiningToolboxinPython”, en j. Mach. Learn. Res., vol. 14, pp. 2349-2353, 2013. http://jmlr.org/papers/v14/demsar13a.html
  35. M.S.Nobileetal,“FuzzySelf-TuningPSO:ASettings- Free Algorithm for Global Optimization”, en Swarm Evol. Comput., vol. 39, pp. 70-85, Abril, 2018. https://doi.org/ 10.1016/j.swevo.2017.09.001 DOI: https://doi.org/10.1016/j.swevo.2017.09.001

Descargas

Los datos de descargas todavía no están disponibles.

Artículos similares

1 2 > >> 

También puede {advancedSearchLink} para este artículo.