Novel techniques of computational intelligence for analysis of astronomical structures

Ontwikkeling van algoritmes voor analyseren van astronomische data

Gravitatiekrachten veroorzaken de formatie en evolutie van een variëteit aan kosmologische structuren. Gedetailleerd onderzoek en bestudering van deze structuren is een cruciale stap in ons begrip van het universum. Het promotieonderzoek van Mohammad Mohammadi geeft verschillende oplossingen voor de detectie en classificatie van zulke structuren.

In het eerste gedeelte van zijn proefschrift richt Mohammadi zich op sterrenkundige simulaties, en stelt hij twee algoritmen voor om stellaire structuren te extraheren. Hoewel ze verschillende strategieën volgen (de eerste is een downsampling-methode, de tweede houdt alle samples bij), helpen beide technieken om effectievere probabilistische modellen te bouwen.

In het tweede gedeelte behandelt Mohammadi waarnemingsgegevens, met als doel om sommige veelvoorkomende uitdagingen van waarnemingsgegevens, zoals ruis en ongebalanceerde klassen, aan te pakken. Als er bijvoorbeeld niet genoeg voorbeelden in de training dataset aanwezig zijn, worden twee verschillende strategieën gebruikt: a) naaste buurtechniek en b) uitbijterdetectietechniek. Samenvattend laten beide delen van het proefschrift de effectiviteit zien van de  geautomatiseerde algoritmen bij het extraheren van waardevolle informatie uit astronomische databases.

Het promotieonderzoek van Mohammad Mohammadi vond plaats bij de afdeling Intelligente Systemen van het Bernoulli Instituut met financiering via het Europese Marie Curie programma. Hij werkt nu als docent aan de RUG.

Proefschrift: http://hdl.handle.net/11370/bc7a7b2f-fc3b-4357-8236-18e60767d166