Periodicity detection in AGN with the boosted tree method

• S. B. Soltau ^{[1] [2]} ; L. C. L. Botti ^{[2] [3]}
  1. [1] Universidade Federal de Alfenas

     Universidade Federal de Alfenas

     Brasil

     
  2. [2] Center for Radio Astronomy and Astrophysics Mackenzie, São Paulo, Brazil
  3. [3] Brazilian National Institute for Space Research, São José dos Campos, Brazil

  Mostrar afiliaciones +
• Localización: Revista mexicana de astronomía y astrofísica, ISSN-e 0185-1101, Vol. 57, Nº. 1, 2021, págs. 107-122
• Idioma: inglés
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Aplicamos un algoritmo de aprendizaje automático llamado XGBoost para explorar la periodicidad de dos fuentes de radio: PKS 1921-293 (OV 236) y PKS 2200+420 (BL Lac), ambos conjuntos de datos de radiofrecuencia obtenidos del Observatorio de Radio Astronomía de la Universidad de Michigan (UMRAO), a 4:8 GHz, 8:0 GHz, y 14:5 GHz, entre 1969 y 2012. A partir de estos métodos, encontramos que XGBoost brinda la oportunidad de utilizar una metodología basada en aprendizaje automático en el conjunto de datos de radio y extraer información con estrategias bastante diferentes de las utilizadas tradicionalmente para tratar series temporales y obtener periodicidad a través de la clasificación de eventos recurrentes. Los resultados se compararon con los obtenidos en otros trabajos que examinaron el mismo conjunto de datos y muestraron resultados compatibles.

  • English

    We apply a machine learning algorithm called XGBoost to explore the periodicity of two radio sources: PKS 1921-293 (OV 236) and PKS 2200+420 (BL Lac), both radio frequency datasets obtained from University of Michigan Radio Astronomy Observatory (UMRAO), at 4:8 GHz, 8:0 GHz, and 14:5 GHz, between 1969 to 2012. From this methods, we find that the XGBoost provides the opportunity to use a machine learning based methodology on radio datasets and to extract information with strategies quite different from those traditionally used to treat time series, as well as to obtain periodicity through the classification of recurrent events. The results were compared with other methods that examined the same datasets and exhibit a good agreement with them.