一种基于机器学习提升脉冲星信号信噪比的方法
高能天体物理现象
2021-08-03 v3
摘要
目前部署了许多脉冲星折叠算法来为总强度轮廓生成强信噪比(SNR)。但它们需要较长的观测时间才能有效改善信噪比。近年来，在机器学习和深度学习算法的推动下，出现了对脉冲星总强度数据进行去噪的新方法。在当前工作中，我们尝试实现当前提出的监督式机器学习模型，例如决策树回归器、随机森林回归器、Adaboost回归器、梯度提升回归器(GBR)、K近邻(KNN)和支持向量回归器(SVR)等集成技术，以找出可作用于欧洲脉冲星网络(EPN)脉冲星数据库中多种脉冲星的最佳算法。本工作中使用的所有数据均提取自欧洲脉冲星网络(EPN)脉冲星轮廓数据库。训练数据集通过对EPN数据库中的脉冲星轮廓数据进行后处理获得，手测在原始数据的预选部分上进行。通过针对上述算法在10颗不同脉冲星（包括一些具有历史意义的脉冲星）上的测试得到结果，并绘制了预测轮廓。我们发现梯度提升回归器在脉冲星数据去噪方面表现最佳，紧随其后的是KNN回归器。本工作还强调，当将机器学习模型与现有的脉冲星折叠技术（如快速折叠算法(FFA)）结合使用时，折叠周期数减少了35-40%，这进而可进一步缩短当今搜寻脉冲星的望远镜的观测时间。
引用
@article{arxiv.2011.14388,
title = {A machine learning-based approach towards the improvement of SNR of pulsar signals},
author = {Amitesh Singh and Kamlesh N Pathak},
journal= {arXiv preprint arXiv:2011.14388},
year = {2021}
}
备注
The type of analysis does not work for new pulsar data anymore