Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
33  
Luis Angel Aliaga Marica  
Universidad Nacional de San Agustín  
laliagam@unsa.edu.pe  
Edilson Wanser Herrera Villa  
Universidad Nacional de San Agustín  
eherrerav@unsa.edu.pe  
José Mejía Huayhua  
Universidad Nacional de San Agustín  
jmejia@unsa.edu.pe  
Lizette Quispe Flores  
Universidad Nacional de San Agustín  
lquispeflore@unsa.edu.pe  
RECIBIDO 02/11/2020 ● ACEPTADO 22/01/2021 ● PUBLICADO 30/03/2021  
RESUMEN  
En este trabajo lo que se realizará es analizar el ejercicio “Clasificador de estrellas de Neutrones”  
para ello lo primero se expondrá una breve introducción de nuestro ejercicio planteado  
seguidamente realizaremos los conceptos básicos de un red neuronal ya que es el escogido para  
la resolución del presente ejercicio, pero este está clasificado por redes neuronales artificiales  
según la topología red y redes según el método de aprendizaje, donde se ha visto por conveniente  
realizarlo con la red neuronal multicapa – perceptrón multicapa, después se tendrá la limpieza de  
datos, transformación de casos, selección de casos, selección de un lenguaje de datos así mismo  
los paquetes, librerías framework que se utilizará, para seguidamente realizar la ejecución de la  
técnica de entrenamiento, modelo entrenado fase de comprobación , análisis de los resultados y  
análisis del cliente; finalmente llegar a las conclusions  
Palabras claves: Estrellas, multicapa, neuronas, perceptrón, red.  
ABSTRACT  
In this work what will be done is to analyze the exercise "Neutron star classifier" for this, the first  
thing will be presented a brief introduction of our proposed exercise, then we will carry out the  
basic concepts of a neural network since it is the one chosen for the resolution of this exercise,  
but this is classified by artificial neural networks according to the network topology and networks  
according to the learning method, where it has been seen to be convenient to do it with the  
multilayer neural network - multilayer perceptron, then you will have the data cleaning,  
transformation of cases, selection of cases, selection of a data language as well as the packages,  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
34  
framework libraries that will be used, to then carry out the execution of the training technique,  
trained model, verification phase, analysis of the results and analysis of the client; finally come  
to conclusions.  
Keywords: Multilayer, neurons, network, perceptron, stars.  
INTRODUCIÓN  
Un púlsar del acrónimo en inglés de pulsating star (estrella que emite radiación muy intensa a  
intervalos cortos y regulares) es una estrella de neutrones que emite radiación periódica. Los  
púlsares poseen un intenso campo magnético que induce la emisión de estos pulsos de radiación  
electromagnética a intervalos regulares relacionados con el periodo de rotación del objeto. Las  
estrellas de neutrones pueden girar sobre sí mismas hasta varios cientos de veces por segundo;  
un punto de su superficie puede estar moviéndose a velocidades de hasta 70 000 km/s. Se  
pretende realizar un software que incluirá en el próximo telescopio que lance al espacio con el  
objetivo de identificar a las estrellas de neutrones de este tipo. Para esto cuenta con una base de  
datos histórica de 17 898 observaciones de estrellas en las que se clasifican en pulsares o no. En  
dicha base de datos se tiene como atributos de cada observación:  
•
•
•
•
•
•
•
•
Promedio de la radiación emitida.  
Desviación estándar de la radiación emitida.  
Índice de expansión de su masa.  
Índice del aumento de la radiación emitida.  
Promedio de la velocidad de rotación.  
Desviación estándar de la velocidad de rotación.  
Índice de ruido que posee la emisión de radio frecuencia.  
Fuerza centrífuga generada durante la rotación.  
MATERIALES Y MÉTODOS ó METODOLOGÍA COMPUTACIONAL  
Como lo menciona [1], las redes neuronales artificiales han recibido un interés particular como  
una tecnología para minería de datos, puesto que ofrece los medios para modelar de manera  
efectiva y eficiente problemas grandes y complejos. Son modelos computacionales inspirados en  
las neuronas biológicas, y que están conformadas por un conjunto de unidades de cómputo básico  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
35  
(neuronas) las cuales están conectadas entre ellas de múltiples maneras. Estas conexiones  
estarán definidas por unos pesos los cuales determinarán la fuerza o importancia de dichas  
conexiones, y durante el proceso de aprendizaje o entrenamiento de la red, serán estos pesos  
los que se ajustarán con el fin de producir la salida adecuada según la entrada que se aplique a  
la red.  
Estructura de los modelos de redes neuronales: Las unidades de procesamiento se organizan en  
capas. Hay tres partes normalmente en una red neuronal: una capa de entrada, con unidades  
que representan los campos de entrada; una o varias capas ocultas; y una capa de salida, con  
una unidad o unidades que representa el campo o los campos de destino. Las unidades se  
conectan con fuerzas de conexión variables (o ponderaciones). Los datos de entrada se presentan  
en la primera capa, y los valores se propagan desde cada neurona hasta cada neurona de la capa  
siguiente. al final, se envía un resultado desde la capa de salida [2].  
Figura 1: Estructura de una red neuronal.  
Clasificación de redes neuronales artificiales según la topología red: Existen varios como lo  
menciona [3] en este caso solo se nombrarán a algunos: Red neuronal Monocapa-Perceptrón  
simple:  
•
Esto corresponde a una red neuronal más simple, está compuesta por una capa de  
neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan  
los diferentes cálculos.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
36  
Figura 2: Gráfica de una red neuronal Monocapa-Perceptron simple.  
•
Red neuronal Multicapa- Perceptrón multicapa: Es una generalización de la red neuronal  
monocapa, la diferencia reside en que mientras la red neuronal monocapa está compuesta  
por una capa de neuronas de entrada y una capa de neuronas de salida, esta dispone de  
un conjunto de capas intermedias (capas ocultas) entre la capa de entrada y la de salida.  
Dependiendo del número de conexiones que presente la red esta puede estar total o  
parcialmente conectada.  
Figura 3: Gráfica de red neuronal multicapa.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
37  
•
Red neuronal recurrente: No tienen una estructura de capas, sino que permiten conexiones  
arbitrarias entre las neuronas, incluso pudiendo crear ciclos, con esto se consigue crear la  
temporalidad, permitiendo que la red tenga memoria.  
Figura 4: Grafica de red neuronal recurrente.  
Clasificación de redes según el método de aprendizaje: Existen varios como lo menciona [4]  
pero en este caso solo se mencionarán algunos:  
•
Aprendizaje por corrección de error: Consiste en ajustar los pesos de las conexiones de la  
red en función de la diferencia entre los valores deseados y los obtenidos en la salida.  
Ejemplos de algoritmos:  
▪
Perceptrón.  
▪
Delta o Mínimo error cuadrado (LMS Error: Least Mean Squared).  
Backpropagation o Programación hacia atrás (LMS multicapa).  
Aprendizaje estocástico: Consiste básicamente en realizar cambios aleatorios en los  
▪
•
valores de los pesos y evaluar su efecto a partir del objetivo deseado y de distribuciones de  
probabilidad. Una red que utiliza este tipo de aprendizaje es la red Boltzman Machine,  
ideada por Hinton, Ackley y Sejnowski en 1984 y la red Cauchy Machine desarrollada por  
Szu en 1986 [4].  
RESULTADOS Y DISCUSIÓN  
Se utilizó como lenguaje de programación R a través del entorno de desarrollo como RStudio [5]  
o RStudioCloud [6]. Lo primero que se realizara es cargar el dataset con el siguiente comando:  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
38  
Figura 5: Código para cargar el dataset.  
El proceso de limpieza de datos permite identificar datos incompletos, incorrectos, inexactos, no  
pertinentes, etc. y luego substituir, modificar o eliminar estos datos sucios. Después de haber  
realizado el ingreso de datos se prosigue a analizar que las variables de entrada influyen en el  
resultado final, las imágenes analizadas son:  
Figura 6: Gráfica de desviación estándar de la  
radiación emitida.  
Figura 7: Gráfica de desviación estándar de la  
velocidad de rotación.  
Figura 8: Grafica de fuerza centrífuga  
generada durante la rotación.  
Figura 9: Grafica de índice de expansión de la  
masa.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
39  
Figura 10: Gráfica de índice de ruido que posee la emisión de radio frecuencia. Figura 11: Gráfica de  
índice de aumento de la radiación emitida.  
Figura 12: Gráfica de promedio de la velocidad  
de rotación.  
Figura 13: Gráfica de promedio de la radiación  
emitida.  
No se cuenta con ninguna columna vacía ni fila vacía, tampoco se tiene que sustituir ninguna  
columna ya que todas son influyentes en el resultado final, para ello se comprueba que todas las  
columnas están totalmente llenas. A continuación, se muestran los datos estadísticos de cada  
una nuestras variables de entrada. Una vez preparados los datos se procedió a utilizar la red  
neuronal artificial, para esto fue necesario descargar el paquete “h2o” [7], el cual es una librería  
de análisis predictivo y machine learning que incorpora la funcionalidad para crear RNA así como  
modelos de deep learning. Ahora podemos hacer uso de nuestro objeto clasificador mediante la  
función h2o.deeplearning.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
40  
Figura 14: Gráfica de promedio de la velocidad de rotación.  
En esta función el parámetro activation hace referencia a la función de activación que utilizará  
cada una de las neuronas que en este caso es Rectifier (rectificador). Mientras que hidden hace  
referencia a la cantidad de capas ocultas, así como neuronas en cada capa de ellas, en este caso  
se usaron dos capas ocultas con 7 neuronas en cada una de ellas. Por último, epoch hace  
referencia a la cantidad de veces que se le pasaran los datos de entrenamiento a fin de aplicar el  
algoritmo de aprendizaje.  
Figura 15: Creación del modelo de red neuronal.  
Una vez finalizado el entrenamiento, podemos realizar predicciones sobre el conjunto de  
validación de la siguiente manera:  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
41  
Figura 16: Entrenamiento de la red neuronal.  
Obteniendo así una matriz que nos indicará cuantos datos han sido predichos de manera correcta,  
dándonos las respuestas obtenidas vs las respuestas operadas, en este caso se obtuvieron 4388  
respuestas correctas y 87 respuestas erradas, teniendo así un modelo que tiene una efectividad  
del 98.017%.  
Figura 17: Resultados de la comprobación del entrenamiento  
CONCLUSIONES  
Después de desarrollar la investigación y la experimentación de este caso de estudio se llegó a  
las siguientes conclusiones:  
•
Las redes neuronales multicapa son muy útiles para problemas de clasificación.  
•
El lenguaje de programación R cuenta con muchas librerías muy útiles para el procesamiento  
de datos.  
•
Todas las variables de entrada influyen en la decisión de clasificar una estrella en pulsar o no,  
por ende, no pueden ser eliminadas.  
•
La efectividad obtenida con una red neural con una sola neurona en la capa oculta es mejor que  
con dos neuronas.  
•
•
El error menor lo presenta la red neuronal con una sola neurona en la capa oculta.  
La red neuronal falla más con al momento de clasificar a las que si son pulsares.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935  
Clasificador de estrellas de Neutrones con una red  
neuronal multicapa utilizando R  
42  
REFERENCIAS  
[1] C. C. Aggarwal, “Neural networks and deep learning,” Springer, vol. 10, pp. 978–3, 2018.  
[2] J. Schmidhuber, “Deep learning in neural networks: An overview,” Neural networks, vol. 61,  
pp. 85–117, 2015.  
[3] V. Kreinovich, “From traditional neural networks to deep learning: towards mathematical  
foundations of empirical successes,” in Recent Developments and the New Direction in Soft-  
Computing Foundations and Applications, Springer, 2021, pp. 387–397.  
[4] S. R. Young, D. C. Rose, T. P. Karnowski, S.-H. Lim, and R. M. Patton, “Optimizing deep  
learning hyper-parameters through an evolutionary algorithm,” in Proceedings of the Workshop  
on Machine Learning in High-Performance Computing Environments, 2015, pp. 1–5.  
[5] J. Allaire, “RStudio: integrated development environment for R,” Boston, MA, vol. 770, p. 394,  
2
012.  
[6] J. M. Elias, “Webinar sobre la docencia en línea con RStudio Cloud,” IDP: revista d’Internet,  
dret i política, no. 31, 2020.  
[7] S. Aiello, E. Eckstrand, A. Fu, M. Landry, and P. Aboyoun, “Machine Learning with R and H2O,”  
H2O booklet, vol. 550, 2016.  
REVISTA INNOVACIÓN Y SOFTWARE  
VOL 2 Nº 1 Marzo - Agosto 2021 ISSN Nº 2708-0935