@Article{NascimentoAranGuim:2019:InClSu,
               author = "Nascimento, Francisca Joamila Brito do and Arantes Filho, 
                         Lu{\'{\i}}s Ricardo and Guimar{\~a}es, Lamartine Nogueira 
                         Frutuoso",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {Instituto 
                         Nacional de Pesquisas Espaciais (INPE)} and {Instituto de Estudos 
                         Avan{\c{c}}ados (IEAv)}",
                title = "Intelligent classification of supernovae using artificial neural 
                         networks",
              journal = "Inteligencia Artificial",
                 year = "2019",
               volume = "22",
               number = "63",
                pages = "39--60",
             keywords = "Artificial Neural Networks, Supernovae, Intelligent 
                         Classification.",
             abstract = "The classification of supernovae (explosions of certain stars) 
                         divides them into two main types, thoseof type I do not present 
                         Hydrogen in the spectrum while those of type II present. In 
                         addition to the divisioninto these two types, there is still a 
                         subdivision that establishes types Ia, Ib and Ic. In practice, the 
                         classificationof supernovae requires specialized knowledge of 
                         astronomers and data (light spectra) of good quality. 
                         Someautomatic/intelligent classifiers have been developed and are 
                         reported in the literature, one of them is CIntIa,which uses 4 
                         Artificial Neural Networks to classify supernovae types Ia, Ib, Ic 
                         and II. The objective of this workis to improve CIntIa, so that it 
                         has more diversity in its learning, proposing CIntIa 2.0. In this 
                         way, this workis a hierarchical learning structure that connects 
                         Artificial Neural Networks in an integrated system that allowsa 
                         more secure and unambiguous classification. The computational 
                         improvement of this new version included theincreased amount of 
                         data used at all stages of development of intelligent classifier 
                         and a new approach to filteringand processing of spectral data, 
                         ensuring better quality of information that are to be trained 
                         networks. The resultsachieved were good, especially in the 
                         classification of types Ia and II. A comparison with the works 
                         found in theliterature shows that CIntIa 2.0 is superior in 
                         quantity and diversity of data and achieves higher 
                         classificationindices than the other classifiers.Resumo A 
                         classifica{\c{c}}{\~a}o das supernovas (explos{\~o}es de certas 
                         estrelas) as divide em dois tipos principais, as do tipoI n{\~a}o 
                         apresentam Hidrog{\'e}nio no espectro enquanto as do tipo II 
                         apresentam. Al{\'e}m da divis{\~a}o nesses dois tipos,h{\'a} 
                         ainda uma subdivis{\~a}o que estabelece os tipos Ia, Ib e Ic. Na 
                         pr{\'a}tica, a classifica{\c{c}}{\~a}o das supernovas exige 
                         oconhecimento especializado de astr{\'o}nomos e dados (espectros 
                         de luz) de boa qualidade. Alguns 
                         classificadoresautom{\'a}ticos/inteligentes foram desenvolvidos e 
                         s{\~a}o reportados na literatura, um deles {\'e} a CIntIa, que 
                         usa 4 RedesNeurais Artificiais individuais para classificar as 
                         supernovas nos tipos Ia, Ib, Ic e II. O objetivo deste trabalho 
                         {\'e}aperfei{\c{c}}oar a CIntIa, a fim de que ela tenha mais 
                         diversidade em seu aprendizado, propondo a CIntIa 2.0. 
                         Dessamaneira, este trabalho prop{\~o}e uma estrutura de 
                         aprendizado hier{\'a}rquica que conecta as Redes Neurais 
                         Artificiaisindividuais em um sistema integrado permitindo uma 
                         classifica{\c{c}}{\~a}o mais segura e n{\~a}o amb{\'{\i}}gua. 
                         O aprimoramentocomputacional desta nova vers{\~a}o compreendeu o 
                         aumento da quantidade de dados usados em todas as fasesde 
                         desenvolvimento do classificador inteligente e uma nova abordagem 
                         na filtragem e processamento dos dadosespectrais, garantindo mais 
                         qualidade nas informa{\c{c}}{\~o}es que s{\~a}o submetidas ao 
                         treinamento das redes. Os resultadosobtidos com este aprimoramento 
                         demonstram um bom desempenho, principalmente na 
                         classifica{\c{c}}{\~a}o dos tipos Ia eII. Uma 
                         compara{\c{c}}{\~a}o com os trabalhos encontrados na literatura 
                         mostra que a CIntIa 2.0 {\'e} superior em quantidadee diversidade 
                         de dados e alcan{\c{c}}a {\'{\i}}ndices de 
                         classifica{\c{c}}{\~a}o superiores aos demais classificadores.",
                 issn = "1137-3601",
                label = "lattes: 2796582215218356 2 NascimentoAranGuim:2019:InClSu",
             language = "pt",
           targetfile = "document.pdf",
                  url = "https://journal.iberamia.org/index.php/intartif/article/view/242",
        urlaccessdate = "27 abr. 2024"
}