[en] MACHINE LEARNING AND EXTREMUM SEEKING CONTROL TECHNIQUES APPLIED TO THE DETECTION OF EXOPLANETS

[pt] TÉCNICAS DE MACHINE LEARNING E CONTROLE EXTREMAL APLICADOS NA DETECÇÃO DE EXOPLANETAS

[pt] BRUNA VIANNA DE FRANCA COSTA

[pt] BASE DE DADOS

[pt] TELESCOPIO KEPLER

[pt] APRENDIZADO DE MAQUINA

[pt] ANFIS

[pt] PERCEPTRON

[pt] PERCEPTRON DE MULTIPLAS CAMADAS

[en] BIG DATA

[en] KEPLER TELESCOPE

[en] MACHINE LEARNING

[en] ANFIS

[en] PERCEPTRON

[en] MULTILAYER PERCEPTRON

[pt] A NASA desenvolveu o Telescópio Kepler usando observações de eventos de trânsito, que são pequenas quedas no brilho de uma estrela quando um planeta passa na frente dela. Como os eventos de trânsito duram apenas uma fração do dia, todas as estrelas devem ser monitoradas continuamente, implicando que seus brilhos devem ser medidos pelo menos uma vez a cada poucas horas. A capacidade de visualizar continuamente as estrelas monitoradas determina que o campo de visão nunca deve ser bloqueado em qualquer época do ano. Tais condições, principalmente no espaço, são difíceis de prever, por isso, alguns casos de falso positivos e negativos ocorrem na hora da classificação de exoplanetas. A fim de aperfeiçoar essa classificação, tratando o problema de falsos positivos e negativos, foi desenvolvido dois tipos de abordagens de modelos preditivos para as observações de exoplanetas feita pelo telescópio Kepler. Para tal desenvolvimento foi utilizado um sistema Model Free, baseado em modelos de aprendizagem de máquina usando Redes Neurais e Rede Neuro-Fuzzy, e também modelos mais matemáticos, como Controle Extremal. Para o modelo de Redes Neurais, foram escolhidos e comparados dois modelos feitos em Python™: Perceptron e Multi-Layer Perceptron. Desses modelos, foi utilizado o com melhor resultado envolvendo métrica de acurácia, precisão, recall e RMSE. Para o modelo de Redes Neuro-Fuzzy, foram escolhidos e comparados dois modelos distintos usando duas bases de dados diferentes desenvolvido também em MATLAB. Desses modelos, foi utilizado o com melhor resultado envolvendo métrica de acurácia e RMSE. Para o modelo de Controle Extremal foi modelado um sistema em MATLAB com mesmo ruído que o a base de dados, escolhida uma função de custo, e em seguida foi aplicado uma entrada senoidal e construído um controle eficiente para analisar a melhor resposta do sistema.

[en] NASA developed the Kepler Telescope using observations of transit events, which are smalldips in a star s brightness when a planet passes in front of it. Since transit events last only a fraction of the day, all stars must be monitored continuously, implying that their brightnesses must be measured at least once every few hours. The ability to continuously view monitored stars means that the field of view must never be blocked at any time of the year. Such conditions, especially in space, are difficult to predict, therefore, some cases of false positives and negatives occur when classifying exoplanets. In order to improve this classification, dealing with the problem of false positives and negatives, it was developed two types of predictive model approaches for exoplanet observations made by the Kepler telescope. For this, a Model Free system was used, based on machine learning models using Neural Networks and Neuro-Fuzzy Network, and also more mathematical models, such as Extremum Seeking Control. For the Neural Networks model, two of them were made, chosen and compared in Python: Perceptron and Multi-Layer Perceptron. Of these models, the one with the best results was chosen based on best peforming accuracy, precision, recall and RMSE metrics. For the Neuro-Fuzzy Networks model, it was developed in MATLAB two models with completely different databases. Of these models, the chosen one was with the best result involving accuracy metrics and RMSE. For the Extremum Seeking Control model, a system was made in MATLAB with the same noise as the data. This noise was then applied as a cost function. After that, a sinusoidal input was applied and with that, it was constructed an efficient control system to analyze the best response.

EDUARDO COSTA DA SILVA

WILLIAM DE SOUZA BARBOSA

2024-07-04

[pt] TEXTO

application/pdf

PORTUGUÊS

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67197@1

https://www.maxwell.vrac.puc-rio.br/colecao.php?strSecao=resultado&nrSeq=67197@2

https://doi.org/10.17771/PUCRio.acad.67197