Unconventional Methods in Big Data Analysis

Abstract

Technological progress and growing computing power are causing data avalanche in almost all sciences, including astrophysics. The general goal of the data classification is to find patterns in the data and translate these patterns into useful information. This work deals with classification of Be stars data, showing number of different shapes of the emission lines that reflect underlying physical properties of a star. The speed of the current classification methods is not acceptable to classify a huge amount of the data and therefore this work proposes an innovative classification method based on evolutionary algorithms, symbolic regression, irregular dynamics, and massively parallel computation. Second part of this work is focused on the data classification using artificial neural networks synthesized by means of symbolic regression, evolutionary algorithms, or network growth model. The synthesized networks' behavior dynamics is investigated and analyzed, and idea about similarity between swarm and neural based algorithms is proposed.

Technologický pokrok a rostoucí výpočetní výkon způsobují záplavy dat téměř ve všech oborech, včetně astrofyziky. Cílem klasifikace dat je nalézt vzory v datech a překládat tyto vzory na užitečné informace. Tato práce se zabývá klasifikací dat hvězd typu Be, vykazující různé tvary emisních linek, které odrážejí základní fyzikální vlastnosti těchto hvězd. Rychlost současných klasifikačních metod však není vhodná pro klasifikaci velkého množství dat a proto tato práce navrhuje inovativní klasifikační metodu založenou na evolučních algoritmech, symbolické regresi, iregulární dynamice a masivně paralelním výpočtům. Druhá část práce je zaměřena na klasifikaci dat pomocí umělých neuronových sítí syntetizovaných pomocí symbolické regrese, evolučních algoritmů nebo modelu růstu sítě. Dynamika chování syntetizovaných sítí bude dále zkoumána a analyzována a je zde také představena myšlenka podobnosti hejnových a neurálních algoritmů.