Identificación de galaxias usando algoritmos de aprendizaje automático
| dc.contributor.advisor | Plata Gómez, Arturo | |
| dc.contributor.advisor | Vera Villamizar, Nelson | |
| dc.contributor.author | Meneses Cuadros, Erick Ramon | |
| dc.contributor.author | Ortiz Covelli, Luis Guillermo | |
| dc.date.accessioned | 2024-03-03T16:08:50Z | |
| dc.date.available | 2006 | |
| dc.date.available | 2024-03-03T16:08:50Z | |
| dc.date.created | 2006 | |
| dc.date.issued | 2006 | |
| dc.description.abstract | Este trabajo presenta un análisis experimental de algoritmos para la clasificación automática de imágenes de galaxias. La metodología usada se basa en tres etapas: · El tratamiento digital de la imagen: Se estandarizan todas las muestras, cada imagen fue filtrada, rotada, centrada, ajustada a un tamaño estándar y dividida en sus componentes RGB. Se trabajó con la imagen final en varias formas: escala de grises, componentes RGB separados y componentes RGB unidos en una sola imagen. · Extracción de parámetros: aquí se utilizo el Análisis de Componentes Principales como método eficaz para reducir la dimensionalidad de los datos y extraer la información relevante y propia de la imagen a identificar. · Aprendizaje Automático: basados en los parámetros obtenidos en la fase anterior se usaron tres algoritmos: Redes Neuronales Artificiales, K-Vecinos más Cercanos y Regresión Localmente Ponderada, cuyo fin era analizar los datos y proveer un juicio acerca de la clase a la que pertenecía la imagen de la galaxia (espiral, elíptica o irregular). Los mejores resultados obtenidos arrojaron un porcentaje del 85.89% de clasificación correcta para un conjunto de 429 imágenes usando el N-fold cross-validation como método de evaluación de los algoritmos. Además, y de acuerdo a la mejor combinación de algoritmos obtenida se propone la mejora del método haciendo un diseño exhaustivo de su paralelización. | |
| dc.description.abstractenglish | This work presents an experimental algorithm analysis for automatic galaxy images classification. The used methodology is based on three stages: · Digital Image Processing: All samples are standardized. Each single image was filtered, rotated, centered, fixed to a standard size and divided in its RGB components. The final image was used in different ways: grayscale, separated RGB components and joined RGB components in a single image. · Parameter Extraction: here, the Principal Components Analysis was used as an efficient method to reduce dimensionality of data and to extract relevant and unique information from the image. · Machine Learning: based on the parameters obtained in previous stage, three algorithms was used: Artificial Neural Networks, K-Nearest Neighbors and Locally Weighted Regression, which goal was analyze the data and obtain a decision about galaxy image class (Spiral, Elliptical or Irregular). Best experimental results obtained, gives 85.89% of correct classification for a set of 430 images, using the N-Fold cross validation as a method to evaluate those algorithms. Additionally, according to the best algorithm combination obtained, the improvement of the method was proposed, making a complete design of its parallelization. | |
| dc.description.degreelevel | Pregrado | |
| dc.description.degreename | Ingeniero de Sistemas | |
| dc.format.mimetype | application/pdf | |
| dc.identifier.instname | Universidad Industrial de Santander | |
| dc.identifier.reponame | Universidad Industrial de Santander | |
| dc.identifier.repourl | https://noesis.uis.edu.co | |
| dc.identifier.uri | https://noesis.uis.edu.co/handle/20.500.14071/18667 | |
| dc.language.iso | spa | |
| dc.publisher | Universidad Industrial de Santander | |
| dc.publisher.faculty | Facultad de Ingenierías Fisicomecánicas | |
| dc.publisher.program | Ingeniería de Sistemas | |
| dc.publisher.school | Escuela de Ingeniería de Sistemas e Informática | |
| dc.rights | http://creativecommons.org/licenses/by/4.0/ | |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | |
| dc.rights.creativecommons | Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0) | |
| dc.rights.license | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
| dc.rights.uri | http://creativecommons.org/licenses/by-nc/4.0 | |
| dc.subject | Morfología Galáctica | |
| dc.subject | Tratamiento Digital de Imágenes | |
| dc.subject | Extracción de Parámetros | |
| dc.subject | Aprendizaje Automático | |
| dc.subject | Procesamiento | |
| dc.subject.keyword | Galactic Morphology | |
| dc.subject.keyword | Digital Image Processing | |
| dc.subject.keyword | Parameter Extraction | |
| dc.subject.keyword | Machine Learning | |
| dc.subject.keyword | Parallel | |
| dc.title | Identificación de galaxias usando algoritmos de aprendizaje automático | |
| dc.title.english | Galaxy identification using machine learning algorithms. | |
| dc.type.coar | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
| dc.type.hasversion | http://purl.org/coar/resource_type/c_7a1f | |
| dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado |