| dc.rights.license | http://creativecommons.org/licenses/by-nc/4.0 - Atribución-NoComercial | es_MX |
| dc.contributor.author | ENRIQUE RAUL OLGUIN RODRIGUEZ | es_MX |
| dc.coverage.spatial | MEX - México | es_MX |
| dc.date | 2018-11-07 | |
| dc.date.accessioned | 2019-02-21T17:30:57Z | |
| dc.date.available | 2019-02-21T17:30:57Z | |
| dc.identifier.uri | http://riaa.uaem.mx/handle/20.500.12055/514 | |
| dc.description | El problema presentado en este proyecto de tesis se enfoca al reconocimiento de
patrones en perfiles de líneas espectrales de una estrella binaria. Especificamente,
se trata de evaluar la conveniencia de utilizar métodos de redes neuronales para
cuantificar la similitud entre los patrones de los perfiles cuya forma es complicada
y que varian a lo largo del tiempo. El problema es abordado con la aplicación de
dos tipos de mapas neuronales llamados, Self Organizing Maps (SOM) y Growing
Neural Gas (GNG). Estos métodos son aplicados a tres conjuntos de datos, dos
de los cuales son observacionales obtenidos al telescopio, y uno es obtenido de
simulaciones númericas de un modelo de interacción por fuerzas de marea en
estrellas binarias. Los resultados obtenidos en este trabajo de investigación indican
que ambos, el SOM y el GNG son efectivos en la clasificación de los patrones de las
líneas espectrales, aunque el GNG produce mejores resultados. De la comparación
entre la clasificación de los perfiles observados y la de los del modelo númerico,
se encuentra que los perfiles teóricos analizados no describen adecuadamente los
perfiles observados. Esto sugiere que los parámetros de entrada para crear los
perfiles teóricos no representan adecuadamente al sistema binario analizado. Un
trabajo futuro podría ser el calcular una malla de conjuntos de perfiles teóricos y
utilizar los métodos de redes neuronales para acotar el espacio de parámetros a
utilizar en las simulaciones númericas. | es_MX |
| dc.format | pdf - Adobe PDF | es_MX |
| dc.language | spa - Español | es_MX |
| dc.publisher | El autor | es_MX |
| dc.rights | openAccess - Acceso Abierto | es_MX |
| dc.subject | 7 - INGENIERÍA Y TECNOLOGÍA | es_MX |
| dc.subject.other | 33 - CIENCIAS TECNOLÓGICAS | es_MX |
| dc.title | Clasificación de líneas espectrales variables con métodos de redes neuronales artificiales | es_MX |
| dc.type | masterThesis - Tesis de maestría | es_MX |
| uaem.unidad | Centro de Investigación en Ingeniería y Ciencias Aplicadas (CIICAP) - Centro de Investigación en Ingeniería y Ciencias Aplicadas (CIICAP) | es_MX |
| uaem.programa | Maestría en Ciencias - Maestría en Ciencias | es_MX |
| dc.type.publication | acceptedVersion | es_MX |
| dc.audience | teachers - Maestros | es_MX |
| dc.audience | researchers - Investigadores | es_MX |
