Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Universidad de Zaragoza | - |
Autor(es): dc.creator | Alves, A. A. | - |
Autor(es): dc.creator | Carruba, V. | - |
Autor(es): dc.creator | Delfino, E. M.D.S. | - |
Autor(es): dc.creator | Silva, V. R. | - |
Autor(es): dc.creator | Blasco, L. | - |
Data de aceite: dc.date.accessioned | 2025-08-21T23:45:49Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T23:45:49Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2025-04-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.pss.2025.106062 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/300255 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/300255 | - |
Descrição: dc.description | Secular resonances occur when there is a commensurability between the fundamental frequencies of asteroids and planets. These interactions can affect orbital elements like eccentricity and inclination. In this work, our focus is to study the g−g6−s+s6 resonance, which affects highly inclined asteroids in the inner main belt around the Phocaea family. Traditionally, the identification of these asteroids was done manually, which demanded a significant amount of time and became unfeasible due to the large volume of data. Our goal is to develop deep learning models for the automatic identification of asteroids affected by this resonance. In this work, Convolutional Neural Network (CNN) models, such as VGG, Inception, and ResNet, as well as the Vision Transformer (ViT) architecture, are used. To evaluate the performance of the models, we used metrics such as accuracy, precision, recall, and F1-score, applied to both filtered and unfiltered elements. We applied deep learning methods and evaluated which one presented the best effectiveness in the classification of asteroids affected by the secular resonance. To improve the performance of the models, we employed regularization techniques, such as data augmentation and dropout. CNN models demonstrated excellent performance with both filtered and unfiltered elements, but the Vision architecture stood out, providing exceptional performance across all used metrics and low processing times. | - |
Descrição: dc.description | São Paulo State University, Avenue Ariberto Pereira da Cunha 333, 12. | - |
Descrição: dc.description | Universidad de Zaragoza, Calle Pedro Cerbuna 12 | - |
Descrição: dc.description | São Paulo State University, Avenue Ariberto Pereira da Cunha 333, 12. | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Planetary and Space Science | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Asteroids | - |
Palavras-chave: dc.subject | General - astronomical databases - methods | - |
Palavras-chave: dc.subject | Minor planets | - |
Palavras-chave: dc.subject | Statistical | - |
Título: dc.title | Deep learning identification of asteroids interacting with g-s secular resonances | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: