UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las Comunicaciones

1. ENFOQUE HÍBRIDO PARA LA CLASIFICACIÓN DE ESPECTROS ESTELARES MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las Comunicaciones &Dept. Ciencias de la Navegación y de la Tierra Alejandra Rodríguez (arodriguezf@udc.es)Carlos Dafonte (dafonte@udc.es)Bernardino Arcay (cibarcay@udc.es)Iciar Carricajo (iciar@udc.es)Minia Manteiga(manteiga@udc.es)

2. OBJETIVOS • Desarrollo de un sistema automático para extracción de parámetros físicos y químicos a partir de espectros estelares • Luminosidad • Temperatura Efectiva • Metalicidad • Clasificación de espectros ópticos de baja resolución en el sistema MK • Integración de varias técnicas de inteligencia artificial en un único sistema híbrido • Sistemas Expertos • Redes de Neuronas Artificiales • Técnicas Estadísticas de Clustering

3. SELECCIÓN DE DATOS • Conjunto completo y consistente de 258 espectros de catálogos públicos  3500 Å - 7500 Å con resolución de 5 Å • Silva (92), Pickles (98), Jacoby (84) • Cubren todos los tipos espectrales y clases de luminosidad • Espectros analizados y corregidos manualmente utilizando técnicas de clustering • 50% Conjunto de entrenamiento • 15% Conjunto de validación • 35% Conjunto de evaluación • Patrones de Entrada • Espectros completos • Parámetros espectrales (bandas moleculares, líneas de absorción y emisión)

4. SELECCIÓN DE DATOS • 706 espectros en la región del triplete de Calcio  8348 Å -- 9020 Å con resolución de 1.5 Å • Proyecto GAIA • Librería de espectros Cenarro, Gorgas et al, disponible en: http://www.ucm.es/info/Astrof/ellipt/CATRIPLET.html • 60% Conjunto de entrenamiento, 40% Conjunto de evaluación • Patrones de Entrada • Parámetros espectrales: líneas de Fe, Ca, H

5. ESTRUCTURA DEL SISTEMA Análisis Preprocesado + Análisis morfológico Espectros BD Parámetros espectrales: líneas de absorción y emisión, bandas moleculares, etc Espectro completo Clasificaciónespectral Clasificación Técnicas de IA Sistemas expertos RNAs Técnicas de clustering

6. ORGANIZACIÓN DE LOS DATOS • Base de datos relacional diseñada para almacenar información sobre estrellas, espectros, imágenes, telescopios, fotometrías, referencias bibliográficas, fases evolutivas, clasificaciones, catálogos, medidas de parámetros, etc. • Proporciona un mecanismo de almacenamiento estructurado y seguro de la información • Sistema Gestor de Base de Datos PostgreSQL v. 7.1 • Permite recuperar los datos almacenados de forma rápida, cómoda y eficiente • Interfaces de acceso y explotación a través de WEB

7. ACCESO WEB

8. ANÁLISIS MORFOLÓGICO • Tratamiento del espectro como señal de longitudes de onda y flujo energético • Preprocesado del espectro. Escalado, tratamiento de regiones espectrales vacías, ajuste de la frecuencia de muestreo • Análisis morfológico del espectro.Detección y medida de líneas de absorción/emisión, bandas moleculares, energía espectral • Bandas moleculares: algoritmo basado en integrales discretas • Líneas de absorción/emisión: algoritmo basado en la estimación del continuo local • Obtención de los parámetros y regiones espectrales necesarios para la clasificación

9. CLASIFICACIÓN: SISTEMAS EXPERTOS • Permiten reproducir el tipo de razonamiento utilizado por los espectroscopistas para clasificar espectros estelares • Combinación de sistemas de reglas de producción clásicos y sistemas de reglas basados en lógica difusa • Desarrollados en OPS/R2 • Técnicas • Means-End Analysis • Max-Product • Fuzzy Centroid • Existen zonas de incertidumbre en la clasificación en las que el sistema obtiene varias conclusiones con una probabilidad asociada • Estudio adicional: resultados de los mejores modelos de redes de neuronas

10. CLASIFICACIÓN: RNAs • SIMULADOR STUTTGART NEURAL NETWORK (SNNS v. 4.2) • Herramienta desarrollada en JAVA para manipular Redes de neuronas con diferentes algoritmos de aprendizaje y arquitecturas: Feed Forward, CPN, SOM, Correlación en Cascada. Posee una interfaz Web para la interacción con el usuarios.

11. CLASIFICACIÓN: RNAs • Ejemplo del resultado del entrenamiento

12. BACKPROPAGATION CLASIFICACIÓN: RNAs • Mapas de dos dimensiones: 2x2, 6x6, 12x12 and 24x24 KOHONEN

13. RBF (Radial Basis Functions)

14. TÉCNICAS CLUSTERING • MATLAB v.6.5.1 • Algoritmos no jerárquicos: • K-means • Max-min • Iso-Data • Clusters iniciales: 6, 12 • Análisis de sensibilidad de los parámetros de la clasificación

15. RESULTADOS • 100 espectros de catálogos públicos (Silva, Jacoby, Pickels) • ~ 95% BP, RBF, K-means & Isodata • Las estrellas más problemáticas: B con líneas de emisión y M

16. RESULTADOS: GAIA • Resultados preliminares para Teff con RNAs • Redes entrenadas con índices espectrales: CaII, FeI, Lineas de Paschen FEED FORWARD MSE Capas ocultas Counter Propagation (CPN) MSE Capas ocultas

17. INTERFAZ DEL SISTEMA

18. ENFOQUE HÍBRIDO PARA LA CLASIFICACIÓN DE ESPECTROS ESTELARES MEDIANTE TÉCNICAS DE INTELIGENCIA ARTIFICIAL UNIVERSIDAD DE A CORUÑA Dept. Tecnologías de la Información y las Comunicaciones &Dept. Ciencias de la Navegación y de la Tierra Alejandra Rodríguez (arodriguezf@udc.es)Carlos Dafonte (dafonte@udc.es)Bernardino Arcay (cibarcay@udc.es)Iciar Carricajo (iciar@udc.es)Minia Manteiga(manteiga@udc.es)