The Catalog Archive Server Database Management System

Thakar, Ani; Szalay, Alexander S.; Fekete, Gyorgy; Gray, Jim

doi:10.1109/mcse.2008.15

Cited by 47 publications

(28 citation statements)

References 2 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…We then show our measurements in Section 4 and discuss their implications in Section 5. To aid the comparison with previous analyses based on SDSS imaging, we compare our shape estimators with the isophote measurements in the SDSS Catalog Archive Server 2 (CAS, Thakar et al 2008) in Appendix A.…”

mentioning

confidence: 99%

Galaxy And Mass Assembly (GAMA): galaxy radial alignments in GAMA groups

Schneider¹,

Cole²,

Frenk³

et al. 2013

Monthly Notices of the Royal Astronomical Society

View full text Add to dashboard Cite

We constrain the distributions of projected radial alignment angles of satellite galaxy shapes within the Galaxy And Mass Assembly survey group catalogue. We identify the galaxy groups using spectroscopic redshifts and measure galaxy projected ellipticities from Sloan Digital Sky Survey imaging. With a sample of 3850 groups with 13655 satellite galaxies with high quality shape measurements, we find a less than 2-σ signal of radial alignments in the mean projected ellipticity components and the projected position angle when using galaxy shape estimates optimized for weak lensing measurements. Our radial alignment measurement increases to greater than 3-σ significance relative to the expectation for no alignments if we use 2-D Sérsic model fits to define galaxy orientations. Our weak measurement of radial alignments is in conflict with predictions from dark matter N -body simulations, which we interpret as evidence for large mis-alignments of baryons and dark matter in group and cluster satellites. Within our uncertainties, that are dominated by our small sample size, we find only weak and marginally significant trends of the radial alignment angle distributions on projected distance from the group centre, host halo mass, and redshift that could be consistent with a tidal torquing mechanism for radial alignments. Using our lensing optimized shape estimators, we estimate that intrinsic alignments of galaxy group members may contribute a systematic error to the mean differential projected surface mass density of groups inferred from weak lensing observations by −1 ± 20% at scales around 300 h −1 kpc from the group centre assuming a photometric redshift r.m.s. error of 10%, and given our group sample with median redshift of 0.17 and median virial masses ∼ 10 13 h −1 M .

show abstract

mentioning

confidence: 99%

Galaxy And Mass Assembly (GAMA): galaxy radial alignments in GAMA groups

Schneider¹,

Cole²,

Frenk³

et al. 2013

Monthly Notices of the Royal Astronomical Society

View full text Add to dashboard Cite

show abstract

“…Current developments in these directions include algorithms and computational models for monitoring TCP/IP networks [22]; to compute evolving profiles from telecommunications traffic [23]; storing, querying and mining scientific data in the virtual telescope project [52]; indexing and mining web data for improving search engines [9], etc. From a data mining perspective, there is a fundamental difference between learning from small data sets and large data sets.…”

Section: Emerging Challenges and Future Issuesmentioning

confidence: 99%

A survey on learning from data streams: current and future trends

Gama

2012

Prog Artif Intell

144

View full text Add to dashboard Cite

Nowadays, there are applications in which the data are modeled best not as persistent tables, but rather as transient data streams. In this article, we discuss the limitations of current machine learning and data mining algorithms. We discuss the fundamental issues in learning in dynamic environments like continuously maintain learning models that evolve over time, learning and forgetting, concept drift and change detection. Data streams produce a huge amount of data that introduce new constraints in the design of learning algorithms: limited computational resources in terms of memory, cpu power, and communication bandwidth. We present some illustrative algorithms, designed to taking these constrains into account, for decision-tree learning, hierarchical clustering and frequent pattern mining. We identify the main issues and current challenges that emerge in learning from data streams that open research lines for further developments.

show abstract

“…A amostra finalé composta por 43.289 estrelas e 452.400 galáxias. Os dados foram obtidos através do servidor CasJobs do SDSS [13,23,24]. Dos objetos da amostra final foram selecionados os parâmetros fotométricos considerados relevantes na distinção entre estrelas e galáxias, em todas as cinco bandas.…”

Section: Aquisição Dos Dados E Parâmetros Utilizadosunclassified

Árvores de Decisão na Classificação de Dados Astronômicos

Ruiz¹,

Velho²,

Santos³

et al. 2009

TEMA - Tendências Em Matemática Aplicada E Computacional

View full text Add to dashboard Cite

Resumo. Os registros de astronomiaótica constituem uma fonte de informação extremamente importante. Estas medidas são fundamentais para classificar estrelas e galáxias. Este trabalho descreve o algoritmo de construção deárvore de decisão (J4.8) e sua aplicação na construção de classificadores baseados em atributos fotométricos para classificar objetos astrônomicos em estrelas e galáxias. Dados do projeto Sloan Digital Sky Survey (SDSS) foram utilizados para treinamento e validação dos classificadores desenvolvidos. Os classificadores apresentaramíndices de acerto, sobre o conjunto de teste, superiores a 98% para a classificação de estrelas e superiores a 99% para a classificação de galáxias.Palavras-chave.Árvore de decisão, dados astronômicos, parâmetros fotométricos. IntroduçãoO entendimento sobre a origem e evolução do Universo tem sido alterado ao longo dos tempos. Anteriormente, prevalecia a visão aristotélica: existia uma física para os fenômenos da Terra e outra física para os corpos celestiais. Isaac Newton alterou para sempre este paradigma e desenvolveu um modelo físico-matemático constituído de poucos postulados e algumas leis, como a formulação matemática da gravitação Universal. O modelo cosmológico de Newtoné de um Universo infinito aparentemente estável e estático.Em 1917, Albert Einstein propôs um modelo cosmológico relativístico, considerando ainda o Universo como estático. Alguns anos depois, dados de observação aliados a teoria permitiram uma das mais importantes descobertas da astronomia no século XX: o Universo está em expansão. Esta descoberta foi realizada por Hubble em 1929, quando descobriu que as galáxias estão se afastando. Tal descoberta marca o fim da era de um Universo estático e o início de uma nova era. Surge, então, o modelo cosmológico de um Universo em expansão [7,14].

show abstract

The Catalog Archive Server Database Management System

Cited by 47 publications

References 2 publications

Galaxy And Mass Assembly (GAMA): galaxy radial alignments in GAMA groups

Galaxy And Mass Assembly (GAMA): galaxy radial alignments in GAMA groups

A survey on learning from data streams: current and future trends

Árvores de Decisão na Classificação de Dados Astronômicos

Contact Info

Product

Resources

About