Dado que este proyecto se basa en datos, y más específicamente en series de tiempo, hemos adoptado el marco de trabajo de minería de datos y CRISP-DM. Esto significa que, para el desarrollo de la librería y del pipeline, consultamos artículos y trabajos previos para comprender mejor el dominio. Asimismo, generamos un dataset sintético para familiarizarnos con los datos y diseñamos el pipeline con un enfoque en aprendizaje profundo. En una etapa posterior, nos enfocaremos en mejorar los resultados de los modelos, desplegar los modelos de aprendizaje profundo con la librería y ofrecer una interfaz gráfica. Para la creación de las redes neuronales y la librería, empleamos Python, TensorFlow y Scikit-learn.

Ofrecemos una librería lista para ser utilizada, que cuenta con una versión del modelo y una interfaz gráfica para simular resultados. En relación con el modelo de aprendizaje profundo, alcanzamos un 88% de exactitud en el parámetro de impacto, un 50% en el diámetro y un 100% en la distancia, usando una red neuronal convolucional 1D. Es importante señalar que estos resultados se obtuvieron con curvas de luz sin ruido y con características específicas.

1

Participación en los entrenamientos de la misión de Lucy para observar la oculatación del asteroide troyano Polimela.

2

Implementación de las partes críticas de la librería de la detección de ocultación en python.

3

Documentación del proyecto.

4

Entrenamiento de un modelo de deep learning.

Experimentos

Red simple

Entrenamos una red simple sin interpolación ni normalización.

CNN

CNN con normalización

Entrenamos una red convolucional 1D con interpolación y normalización.

Transformador

Entrenamos una red convucional con interpolación y normalización z-score.

Referencias

Occultations by Small Non-spherical Trans-Neptunian Objects. I. A New Event Simulator for TAOS II in https://iopscience.iop.org/article/10.1088/1538-3873/ab152e

The TAOS II Survey: Real-time Detection and Characterization of Occultation Events in https://iopscience.iop.org/article/10.1088/1538-3873/abd4bc
Pattern Recognition Using SVM for the Classification of the Size and Distance of Trans-Neptunian Objects Detected by Serendipitous Stellar Occultations in
https://dx.doi.org/10.1088/1538-3873/ac7f5c

Hernández-Valencia, B., Castro-Chacón, J., Reyes-Ruiz, M., Lehner, M., Guerrero, C., Silva, J., Hernández-Águila, J., Alvarez-Santana, F., Sánchez, E., Nuñez, J., Calvario-Velásquez, L., Figueroa, L., Huang, C., Wang, S., Alcock, C., Chen, W., Granados Contreras, A., Geary, J., Cook, K., Kavelaars, J., Norton, T., Szentgyorgyi, A., Yen, W., Zhang, Z., & Olague, G.
(2022). Pattern Recognition Using SVM for the Classification of the Size and Distance of Trans-Neptunian Objects Detected by Serendipitous Stellar Occultations.
Publications of the Astronomical Society of the Pacific, 134(1038), 15