Resumen

La clasificación en astrofísica es un proceso fundamental, sobre todo cuando es necesario comprender varios aspectos de la evolución y distribución de los objetos. Sobre una imagen astronómica, necesitamos discernir entre estrellas y galaxias y determinar el tipo morfológico de cada galaxia. La clasificación espectral de las estrellas proporciona información importante sobre parámetros físicos estelares como la temperatura y nos permite determinar su distancia; con esta información, es posible evaluar otros parámetros como su tamaño físico y la distribución real en 3D de cada tipo de objetos. En este trabajo, presentamos la aplicación de dos técnicas de Inteligencia Artificial (IA) para la clasificación espectral automática de espectros estelares obtenidos a partir de la primera versión de datos de LAMOST y también a la versión más reciente (DR5). Se seleccionaron dos tipos de Redes Neuronales Artificiales: una red neuronal feedforward entrenada según el Algoritmo de Optimización de Levenberg-Marquardt (LMA) y una Red Neuronal de Regresión Generalizada (GRNN). Durante el estudio, se utilizaron cuatro conjuntos de datos: el primero se obtuvo de la primera versión de datos de LAMOST y consistió en 50731 espectros con una relación señal-ruido superior a 20, el segundo conjunto de datos se obtuvo de la base de datos espectral Indo-US (1273 espectros), el tercero (la base de datos espectral STELIB) se utilizó como conjunto de datos de prueba independiente, y el cuarto conjunto de datos se obtuvo de LAMOST DR5 y consistió en 17990 espectros estelares con una relación señal-ruido superior a 20 también. Los resultados de la primera parte del trabajo, cuando se comprobó la autoconsistencia de los datos DR1, mostraron algunos problemas en la clasificación espectral disponible en LAMOST DR1. Para lograr una mejor clasificación, realizamos un proceso en dos pasos: primero se clasificaron los conjuntos de datos de LAMOST y STELIB mediante las dos técnicas de IA entrenadas con el conjunto de datos completo de Indo-US. La clasificación resultante nos permite discriminar al menos tres grupos: el primer grupo contenía estrellas de tipo O y B, mientras que el segundo contenía estrellas de tipo A, F y G y, por último, el tercer grupo contenía estrellas de tipo K y M. El segundo paso consistió en un refinamiento de la clasificación, pero esta vez para cada grupo se seleccionaron los índices más relevantes. Comparamos la precisión alcanzada por las dos técnicas cuando son entrenadas y probadas usando los espectros de LAMOST y su clasificación publicada y las clasificaciones resultantes obtenidas con las RNAs entrenadas con el conjunto de datos Indo-US y aplicadas sobre los espectros de STELIB y LAMOST. Finalmente, en la primera parte, comparamos la clasificación de LAMOST DR1 con la clasificación obtenida mediante la aplicación de las RNAs GRNNs y LMA entrenadas con el conjunto de datos Indo-US. En la segunda parte del trabajo, analizamos un conjunto de 17990 espectros estelares de LAMOST DR5 y se verificó la mejora muy significativa en la clasificación espectral disponible en la base de datos DR5. Para ello, entrenamos RNAs utilizando la técnica de validación cruzada k-fold con k = 5.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:primera entrega de datos, conjunto de datos de ee.uu., clasificación espectral, espectros estelares, indo, lamost, clasificación, lamost dr5, espectros lamost, primera parte
• Keywords:first data release, us dataset, spectral classification, stellar spectra, indo, lamost, classification, lamost dr5, lamost spectra, first part