Show simple item record

Εφαρμογή τεχνικών μηχανικής μάθησης σε αστρονομικές βάσεις δεδομένων

dc.contributor.advisorΒασιλάς, Νικόλαος
dc.contributor.authorΚυραλέος, Απόστολος-Ηρακλής
dc.date.accessioned2023-10-17T10:09:35Z
dc.date.available2023-10-17T10:09:35Z
dc.date.issued2023-10-12
dc.identifier.urihttps://polynoe.lib.uniwa.gr/xmlui/handle/11400/5345
dc.identifier.urihttp://dx.doi.org/10.26265/polynoe-5182
dc.description.abstractΟ ακριβής προσδιορισμός της ερυθρής μετατόπισης των γαλαξιών αποτελεί θεμελιώδη επιδίωξη της σύγχρονης αστρονομίας, παρέχοντας κρίσιμες πληροφορίες για τις κοσμικές αποστάσεις, την ηλικία και τις εξελικτικές διαδικασίες. Η παρούσα διπλωματική εργασία εμβαθύνει στην εφαρμογή τεχνικών μηχανικής μάθησης για την ακριβή πρόβλεψη των ερυθρών μετατοπίσεων των γαλαξιών, αντιμετωπίζοντας μια επίμονη πρόκληση στην αστροφυσική έρευνα. Με κίνητρο την πολυπλοκότητα των αστρονομικών συνόλων δεδομένων και τη δυνατότητα ενίσχυσης της ακρίβειας πρόβλεψης, η μελέτη αυτή αξιοποιεί τα συνελικτικά νευρωνικά δίκτυα (Convolutional Neural Networks - CNNs), ένα υποσύνολο των τεχνητών νευρωνικών δικτύων, για την αποκωδικοποίηση των φασμάτων των γαλαξιών. Εμπνευσμένο από την επιτυχία των CNN στην επεξεργασία εικόνας, ο στόχος είναι να εξαχθούν περίπλοκα φασματικά μοτίβα που οι συμβατικές αναλυτικές μέθοδοι μπορεί να παραβλέπουν. Η έρευνα αυτή σηματοδοτεί τη συνέργεια μεταξύ της αστρονομίας και των υπολογιστικών μεθοδολογιών. Στόχος της είναι να αναδείξει την πρακτική χρησιμότητα της μηχανικής μάθησης στην αστρονομία, συγκεκριμένα στο πλαίσιο της πρόβλεψης της μετατόπισης του ερυθρού, χρησιμοποιώντας δεδομένα που προέρχονται από την αποστολή Gaia. Τα αποτελέσματά μας αναδεικνύουν την δύναμη της μηχανικής μάθησης, ιδίως των CNN, στην εκτίμηση της ερυθρής μετατόπισης. Το εκπαιδευμένο μοντέλο παρουσιάζει αξιοσημείωτη ακρίβεια, ιδιαίτερα σε συγκεκριμένα εύρη ερυθρών μετατοπίσεων.el
dc.format.extent47el
dc.language.isoenel
dc.publisherΠανεπιστήμιο Δυτικής Αττικήςel
dc.rightsΑναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές*
dc.rightsΑναφορά Δημιουργού 4.0 Διεθνές*
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/*
dc.subjectΕρυθρή μετατόπισηel
dc.subjectΜηχανική Μάθησηel
dc.subjectΣυνελικτικά νευρωνικά δίκτυαel
dc.titleΕφαρμογή τεχνικών μηχανικής μάθησης σε αστρονομικές βάσεις δεδομένωνel
dc.title.alternativeApplication of machine learning methods on astronomical databasesel
dc.typeΔιπλωματική εργασίαel
dc.contributor.committeeΜπαρδής, Γεώργιος
dc.contributor.committeeΓεωργουλάκη, Χριστίνα
dc.contributor.facultyΣχολή Μηχανικώνel
dc.contributor.departmentΤμήμα Μηχανικών Πληροφορικής και Υπολογιστώνel
dc.description.abstracttranslatedThe accurate determination of galaxy redshift is a fundamental pursuit in modern astronomy, providing crucial information about cosmic distances, age, and evolutionary processes. This dissertation delves into the application of machine learning techniques for the precise prediction of galaxy redshifts, addressing a persistent challenge in astrophysical research. Motivated by the complexity of astronomical datasets and the potential for enhancing predictive accuracy, this study leverages convolutional neural networks (CNNs), a subset of artificial neural networks, to decode galaxy spectra. Inspired by the success of CNNs in image processing, the goal is to extract intricate spectral patterns that conventional analytical methods may overlook. This research signifies the synergy between astronomy and computational methodologies. It aims to demonstrate the practical utility of machine learning in astronomy, specifically in the context of redshift prediction, utilizing data sourced from the Gaia mission. Our results highlight the power of machine learning, particularly CNNs, in redshift estimation. The trained model showcases commendable accuracy, particularly within specific redshift ranges.el


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές
Except where otherwise noted, this item's license is described as
Αναφορά Δημιουργού - Μη Εμπορική Χρήση - Παρόμοια Διανομή 4.0 Διεθνές