A Robust Machine Learning Algorithm for Cosmic Galaxy Images Classification Using Neutrosophic Score Features.
- 1. Higher Institute of Engineering
- 2. Mansoura University
Description
The development of galaxy images classification automated schemes is necessary to identify, classify, and study the evolution and formation of galaxies in our universe as it is one of the main challenges faced by astronomers today. Scientists can also build a deeper understanding of galaxies evolution and formation by classifying them into various classes. This paper proposed a robust novel hybrid automated intelligent algorithm based on neutrosophic techniques (NTs) and machine learning techniques for classifying the galaxy morphological astronomical images into various types of galaxies images (Hubble types) based on its features into three main classes; Elliptical, Spiral and Irregular. A nine classifiers performance was assessed based on the machine learning (ML) techniques by usinga combination of a sets of morphic features (MFs); obtained from image analysis and principal component analysis (PCA) features. The results indicated that; the classifier which called, multilayer perceptron (MLP) gives the better results for the features set consisting of nine MFs and 24 PCs features among all tested cases; Mean squared error (MSE) = 0.0021; Normalized mean squared error (NMSE)= 0.0371; Correlation coefficient (r) = 0.9889, and the Error = 0.7751 with an accuracy 99.2249 %. Then, to improve the system efficiency; the neutrosophic techniques were applied in combination with the classifier that gave the best results in the previous step on the same extracted features to get a three robust component namely; membership, indeterminacy and non-membership components to fed to the neural network. The results showed that; the combination between the NTs and MLP classifier for (MFs with 4PCs) gives the best results; MSE = 0.0001; NMSE = 0.0009; r = 0.9997, and Error = 0.4212 with an accuracy about 99.5788 % in total for all chosen sets of features. The results showed the high performance of the proposed method comparing with other methods. The experimental results are performed based on a sample from (EFIGI) catalog.
Translated Descriptions
Translated Description (Arabic)
يعد تطوير المخططات الآلية لتصنيف صور المجرات أمرًا ضروريًا لتحديد وتصنيف ودراسة تطور وتشكيل المجرات في كوننا لأنه أحد التحديات الرئيسية التي يواجهها علماء الفلك اليوم. يمكن للعلماء أيضًا بناء فهم أعمق لتطور المجرات وتشكيلها من خلال تصنيفها إلى فئات مختلفة. اقترحت هذه الورقة خوارزمية ذكية آلية هجينة قوية تعتمد على تقنيات النيوتروسوفيك (NTs) وتقنيات التعلم الآلي لتصنيف الصور الفلكية المورفولوجية للمجرة إلى أنواع مختلفة من صور المجرات (أنواع هابل) بناءً على ميزاتها إلى ثلاث فئات رئيسية ؛ بيضاوي الشكل، حلزوني وغير منتظم. تم تقييم أداء تسعة مصنفات بناءً على تقنيات التعلم الآلي (ML) باستخدام مزيج من مجموعات من الميزات الشكلية (MFs) ؛ تم الحصول عليها من تحليل الصور وميزات تحليل المكونات الرئيسية (PCA). أشارت النتائج إلى أن ؛ المصنف الذي يسمى، perceptron متعدد الطبقات (MLP) يعطي نتائج أفضل لمجموعة الميزات التي تتكون من تسعة ميزات MFs و 24 PCS بين جميع الحالات التي تم اختبارها ؛ متوسط الخطأ التربيعي (MSE) = 0.0021 ؛ متوسط الخطأ التربيعي (NMSE)= 0.0371 ؛ معامل الارتباط (r) = 0.9889، والخطأ = 0.7751 بدقة 99.2249 ٪. ثم، لتحسين كفاءة النظام ؛ تم تطبيق تقنيات النيوتروسوفيك بالاقتران مع المصنف الذي أعطى أفضل النتائج في الخطوة السابقة على نفس الميزات المستخرجة للحصول على ثلاثة مكونات قوية وهي: العضوية وعدم التحديد والمكونات غير العضوية لتغذية الشبكة العصبية. أظهرت النتائج أن ؛ الجمع بين NTs ومصنف MLP لـ (MFs مع 4PCs) يعطي أفضل النتائج ؛ MSE = 0.0001 ؛ NMSE = 0.0009 ؛ r = 0.9997، والخطأ = 0.4212 بدقة حوالي 99.5788 ٪ في المجموع لجميع مجموعات الميزات المختارة. أظهرت النتائج الأداء العالي للطريقة المقترحة مقارنة بالطرق الأخرى. يتم إجراء النتائج التجريبية بناءً على عينة من كتالوج (EFIGI).Translated Description (French)
Le développement de schémas automatisés de classification des images de galaxies est nécessaire pour identifier, classer et étudier l'évolution et la formation des galaxies dans notre univers car c'est l'un des principaux défis auxquels sont confrontés les astronomes aujourd'hui. Les scientifiques peuvent également approfondir leur compréhension de l'évolution et de la formation des galaxies en les classant en différentes classes. Cet article a proposé un nouvel algorithme intelligent automatisé hybride robuste basé sur des techniques neutrosophiques (NT) et des techniques d'apprentissage automatique pour classer les images astronomiques morphologiques des galaxies en différents types d'images de galaxies (types Hubble) en fonction de ses caractéristiques en trois classes principales ; Elliptique, Spirale et Irrégulière. Une performance de neuf classificateurs a été évaluée sur la base des techniques d'apprentissage automatique (ML) en utilisant une combinaison d'un ensemble de caractéristiques morphiques (MF) ; obtenues à partir de l'analyse d'image et des caractéristiques de l'analyse en composantes principales (PCA). Les résultats ont indiqué que ; le classificateur appelé perceptron multicouche (MLP) donne les meilleurs résultats pour l'ensemble des caractéristiques composé de neuf MF et de 24 caractéristiques pcs parmi tous les cas testés ; Erreur quadratique moyenne (MSE) = 0,0021 ; Erreur quadratique moyenne normalisée (NMSE)= 0,0371 ; Coefficient de corrélation (r) = 0,9889, et l'erreur = 0,7751 avec une précision de 99,2249 %. Ensuite, pour améliorer l'efficacité du système ; les techniques neutrosophiques ont été appliquées en combinaison avec le classificateur qui a donné les meilleurs résultats à l'étape précédente sur les mêmes caractéristiques extraites pour obtenir trois composants robustes à savoir ; les composants d'appartenance, d'indétermination et de non-adhésion à alimenter au réseau neuronal. Les résultats ont montré que ; la combinaison entre les NT et le classificateur MLP pour (MF avec 4PC) donne les meilleurs résultats ; MSE = 0,0001 ; NMSE = 0,0009 ; r = 0,9997 et Erreur = 0,4212 avec une précision d'environ 99,5788 % au total pour tous les ensembles de caractéristiques choisis. Les résultats ont montré la haute performance de la méthode proposée par rapport à d'autres méthodes. Les résultats expérimentaux sont réalisés à partir d'un échantillon du catalogue (EFIGI).Translated Description (Spanish)
El desarrollo de esquemas automatizados de clasificación de imágenes de galaxias es necesario para identificar, clasificar y estudiar la evolución y formación de galaxias en nuestro universo, ya que es uno de los principales desafíos que enfrentan los astrónomos en la actualidad. Los científicos también pueden construir una comprensión más profunda de la evolución y formación de las galaxias clasificándolas en varias clases. Este artículo propuso un algoritmo inteligente automatizado híbrido novedoso y robusto basado en técnicas neutrosóficas (NT) y técnicas de aprendizaje automático para clasificar las imágenes astronómicas morfológicas de galaxias en varios tipos de imágenes de galaxias (tipos de Hubble) en función de sus características en tres clases principales; Elíptica, Espiral e Irregular. Se evaluó un rendimiento de nueve clasificadores basado en las técnicas de aprendizaje automático (ML) mediante el uso de una combinación de un conjunto de características mórficas (MF); obtenido a partir del análisis de imágenes y las características del análisis de componentes principales (PCA). Los resultados indicaron que; el clasificador que llamó, perceptrón multicapa (MLP) da los mejores resultados para el conjunto de características que consta de nueve MF y 24 características de PCs entre todos los casos probados; Error cuadrático medio (MSE) = 0.0021; Error cuadrático medio normalizado (NMSE)= 0.0371; Coeficiente de correlación (r) = 0.9889, y el Error = 0.7751 con una precisión del 99.2249 %. Luego, para mejorar la eficiencia del sistema, se aplicaron las técnicas neutrosóficas en combinación con el clasificador que dio los mejores resultados en el paso anterior en las mismas características extraídas para obtener un tres componentes robustos a saber; componentes de membresía, indeterminación y no membresía para alimentar a la red neuronal. Los resultados mostraron que; la combinación entre los NT y el clasificador MLP para (MF con 4PC) da los mejores resultados; MSE = 0,0001; NMSE = 0,0009; r = 0,9997 y Error = 0,4212 con una precisión de aproximadamente 99,5788% en total para todos los conjuntos de características elegidos. Los resultados mostraron el alto rendimiento del método propuesto en comparación con otros métodos. Los resultados experimentales se realizan en base a una muestra del catálogo (EFIGI).Files
ARobustMachineLearningAlgorithmNeutrosophic6.pdf.pdf
Files
(1.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:13aa93f2a420790701f3566131bfa0b8
|
1.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- خوارزمية قوية للتعلم الآلي لتصنيف صور المجرة الكونية باستخدام ميزات النتيجة المتعادلة.
- Translated title (French)
- A Robust Machine Learning Algorithm for Cosmic Galaxy Images Classification Using Neutrosophic Score Features.
- Translated title (Spanish)
- Un robusto algoritmo de aprendizaje automático para la clasificación de imágenes de galaxias cósmicas utilizando características de puntuación neutrosófica.
Identifiers
- Other
- https://openalex.org/W3169088721
- DOI
- 10.5281/zenodo.4711509