Применение глубоких нейронных сетей для классификации больших объемов астрономических данных

• Published in: Радиофизика и радиоастрономия
• Date: 2017
• Main Authors: Горбунов, А.А., Исаев, Е.А., Самодуров, В.А.
• Format: Article
• Language: Russian
• Published: Радіоастрономічний інститут НАН України 2017
• Subjects: Радиоастрономия и астрофизика
• Online Access: https://nasplib.isofts.kiev.ua/handle/123456789/130283
• Journal Title: Digital Library of Periodicals of National Academy of Sciences of Ukraine
• Cite this: Применение глубоких нейронных сетей для классификации больших объемов астрономических данных / А.А. Горбунов, Е.А. Исаев, В.А. Самодуров // Радиофизика и радиоастрономия. — 2017. — Т. 22, № 4. — С. 270-275. — Бібліогр.: 3 назв. — рос.

Предмет и цель работы: В процессе астрономических наблюдений собираются огромные объемы данных. БСА ФИАН (Большая сканирующая антенна Физического института Российской академии наук), используемая при исследовании импульсных явлений, ежедневно регистрирует 87.5 Гб данных (32 Тб в год). Целью представленной работы является разработка веб-сервиса для помощи экспертам в классификации новых астрономических наблюдений. Студия машинного обучения Azure Machine Learning Studio, поддерживающая алгоритм глубокой нейронной сети, используется в качестве инструмента для разработки веб-сервиса. Предмет і мета роботи: У процесі астрономічних спостережень накопичуються величезні обсяги даних. ВСА ФІАН (Велика скануюча антена Фізичного інституту Російської академії наук), яка використовується у дослідженні імпульсних явищ, щодня реєструє 87.5 Гб даних (32 Тб щороку). Метою роботи є розробка веб-сервісу для допомоги експертам у класифікації нових астрономічних спостережень. Студія машинного навчання Azure Machine Learning Studio, що підтримує алгоритм глибокої нейронної мережі, використовується як інструмент для розробки веб-сервісу. Purpose: In the process of astronomical observations vast amounts of data are collected. The BSA (Big Scanning Antenna) used in the study of impulse phenomena, daily logs 87.5 GB of data (32 TB per year). The aim of this work is to develop the web-service which assists the experts with classification of new astronomic observations. The Azure Machine Learning Studio which offers a Deep Neural Network algorithm is used as a tool for web-service developing.