Preview

PDF, English Download (29MB) | Terms of use

Abstract

The goal of the presented work is the application of data-driven methods on complex and high- dimensional astronomical databases. The focus of the work is the exploration of novel data representations in order to enable the use of statistical learning approaches in the analysis of data. With the help of diverse science cases, the advantages of the introduced approaches for classication, visualization and regression tasks are shown by applying the developed methodology to astronomical data. In the first part, an alternative approach for estimating redshifts of spectra by using the knowledge about the redshifts provided by the SDSS pipeline is presented. A novel data repre- sentation is employed which contains only information relevant for estimating the redshift and the detection of multiple redshift systems. Subsequently, a novel data representation for regu- larly sampled light curves based on recurrent networks is presented. This allows an explorative investigation of huge databases with unlabeled data. Finally, a new way of representing the static part of irregularly sampled light curves by a mixture of Gaussians is discussed. This represen- tation is more general than the extraction of features, as it allows the inclusion of photometric uncertainties and avoids the introduction of observational biases.

Translation of abstract (German)

Das Ziel der vorgestellten Arbeit ist die Anwendung datengetriebener Methoden auf komplexen und hoch-dimensionalen astronomischen Datenbanken. Der Schwerpunkt der Arbeit liegt dabei in der Erforschung neuer Datenrepräsentationen, um die Analyse der Daten mit Hilfe existierender Methoden des statistischen Lernen zu ermöglichen. Anhand von verschiedenen wissenschaftlichen Anwendungen werden die Vorteile der untersuchten Ansätze für Klassifizierungs-, Visualisierungs- und Regressionsaufgaben an astronomischen Daten aufgezeigt. Im ersten Teil der Arbeit wird eine alternative Methode zur Bestimmung von spektralen Rotverschiebungen vorgeschlagen, welche die, von SDSS bestimmten, Rotverschiebungen als Wissensbasis nutzt. Die neue Darstellungsweise der Daten enthält hierbei nur Informationen, welche für die Bestimmung der Rotverschiebung, sowie der Detektion von multiplen Rotverschiebungen, notwendig sind. Anschließend wird eine neuartige Repräsentation von regelmäßigen Zeitreihen vorgestellt, basierend auf wiederkehrenden neuronalen Netzen. Dies erlaubt eine explorative Untersuchung von großen nicht-klassifizierten Datenbanken. Danach wird die Verwendung von Gaußschen Mischverteilungsmodellen als Darstellung für den statischen Teil von unregelmäßigen Zeitreihen diskutiert. Diese Darstellung ist allgemeiner formuliert als die Darstellung durch einzelne Merkmale, da sie die Einbeziehung photometrischer Unsicherheiten ermöglicht und nicht durch systematische Beobachtungseffekte beeinflusst wird.