基于深度神经网络的反向射电频谱图搜索算法

现代射电天文仪器产生海量数据，且日益严峻的射频干扰（RFI）环境需要越来越复杂的 RFI 抑制算法。暂现源与技术特征信号搜索的“大海捞针”性质要求我们开发能够判定感兴趣信号是否具有独特性质、或属于某类更顽固 RFI 集合的方法。过去，这种筛查需要对极大量信号进行繁琐的手动检查。本文提出一种快速且模块化的深度学习算法，用于在射电频谱图数据中搜索感兴趣的相似信号。首先，我们在能量检测算法返回的信号上训练了一个 B-变分自编码器。随后我们将经典 Transformer 架构中的位置嵌入层改造为嵌入额外元数据，并以基于频率的嵌入进行演示。接着我们使用 B-变分自编码器的编码器组件从射电频谱图中的小窗口（约 715 Hz，频率 bin 分辨率为 2.79 Hz）提取特征。我们利用算法对一组信号（被搜索项的编码特征）针对给定查询（编码的感兴趣信号）进行搜索，以产生具有相似特征的顶级候选。我们成功证明该算法仅给定原始射电频谱图数据即可检索外观相似信号。该算法可用于提升技术特征信号搜索中感兴趣信号的筛查效率，也可应用于更广泛的大型天文数据集中“相似”信号的搜索。