Klasifikacija promjenjivih zvijezda pomoću metoda strojnog učenja

master's thesis

• Title (english): Classification of variable stars using machine learning methods
• Author: Domagoj Božan
• Mentor: Lovro Palaversa (mentor)
• Mentor: Matko Milin (komentor)
• Committee member: Matko Milin (predsjednik povjerenstva)
• Committee member: Lovro Palaversa (član povjerenstva)
• Committee member: Ivica Smolić (član povjerenstva)
• Committee member: Krešimir Kumerički (član povjerenstva)
• Committee member: Krešimir Pavlovski (član povjerenstva)
• Granter: University of Zagreb; Faculty of Science; (Department of Physics); Zagreb
• Defense date and country: 2020-09-04, Croatia
• Scientific / art field, discipline and subdiscipline: NATURAL SCIENCES; Physics

Abstract

Proučavanje promjenjivih događaja u svemiru koji se događaju na relativno kratkim vremenskim skalama od velikog je interesa za astrofizičare jer se iz njih mogu dobiti mnoge korisne informacije. Isto vrijedi i za promjenjive zvijezde, to jest zvijezde čiji sjaj nije konstantan. Promatranjem takvih zvijezda moguće je odrediti svojstva zvijezda, u nekim slučajevima i jednostavnije nego kod promatranja nepromjenjivih zvijezda, kao i udaljenosti u svemiru. Kako bismo bili sigurni da su dobivene informacije ispravne, važno je pravilno odrediti kojoj vrsti pripada promjenjiva zvijezda. Međutim, ručno određivanje kategorije za svaku od stotina tisuća promjenjivih zvijezda koje se opažaju u pregledima neba veoma je dug i težak proces. Kako bi se isti ubrzao i automatizirao, mogu se koristiti metode strojnog učenja. U ovom radu korištene su metode klasifikacije i grupiranja sadržane u Scikit-Learn paketu u programskom jeziku Python kako bi se kategoriziralo oko 100000 promjenjivih zvijezda opaženih u Catalina pregledu neba. Za klasifikaciju korišten je Support Vector Machine (SVM) algoritam nadziranog strojnog učenja, a za grupiranje Gaussian Mixture Model (GMM) algoritam nenadziranog strojnog učenja. Dobiveni rezultati uspoređeni su s kategorizacijom provedenom u Catalina pregledu neba kako bi se dobio uvid u to koja metoda je preciznija. Rezultati pokazuju da je SVM algoritam bolji izbor za klasifikaciju ovakvog tipa podataka, ali i on pokazuje neka odstupanja od Catalina pregleda neba. Zaključeno je da se metode strojnog učenja mogu koristiti u traženu svrhu, ali potrebno je još proučavanja kako bi se proces optimizirao.

Abstract (english)

Studying variable cosmic events which happen on relatively short time scales is of great interest for astrophysicists because of a plenitude of useful information one can receive from them. The same is true for variable stars, which are stars whose light is not constant. By observing such stars, it is possible to determine properties of stars, in same cases with less difficulty than by observing non-variable stars, and cosmic distances. To assure that the received information is correct, it is of great importance to correctly determine the type of each variable star. However, determining categories of hundreds of thousands of variable stars in sky surveys is a very long and difficult process. In order to accelerate and automatise said process one can use the machine learning methods. In this paper, the methods of classification and clustering contained in the Scikit-Learn package of the Python programming language were used to categorise roughly 100000 variable stars observed in the Catalina Sky Survey. The supervised learning Support Vector Machine (SVM) algorithm was used for classification and the unsupervised learning Gaussian Mixture Model (GMM) algorithm was used for clustering. Obtained results were compared with the categorisation from the Catalina Sky Survey to gain an insight in the precision of each method. The results show that the SVM algorithm is a better choice for classification of this type of data, but it also shows some deviations from the Catalina Sky Survey. It was concluded that the machine learning methods can be used for desired purposes, but further study is needed to optimise the process.

• Keywords: tranzijenti; promjenjive zvijezde; strojno učenje; klasifikacija; grupiranje
• Keywords (english): transients; variable stars; machine learning; classification; clustering
• Language: croatian
• URN:NBN: urn:nbn:hr:217:853647
• Study programme: Title: Physics; specializations in: Research; Course: Research; Study programme type: university; Study level: integrated undergraduate and graduate; Academic / professional title: magistar/magistra fizike (magistar/magistra fizike)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Open access
• Created on: 2021-01-05 09:54:29