基于机器学习的起源方向滤波器用于技术特征搜索中射频干扰的识别
天体物理仪器与方法
2022-02-02 v3 地球与行星天体物理
机器学习
信号处理
摘要
射频干扰（RFI）抑制仍是射电技术特征搜索中的一大挑战。典型的抑制策略包括起源方向（DoO）滤波器，若信号在天空多个方向均被探测到，则将其分类为 RFI。这些分类通常依赖于对信号属性（如频率和频率漂移率）的估计。卷积神经网络（CNNs）为现有滤波器提供了有前景的补充，因为它们可被训练为直接分析动态谱，而非依赖推断的信号属性。在本工作中，我们编制了若干由带标签的动态谱图像对组成的数据集，并设计训练了一个 CNN，能够判断一次扫描中探测到的信号是否也出现在另一次扫描中。该基于 CNN 的 DoO 滤波器在一系列指标上优于基线 2D 相关模型及现有 DoO 滤波器，精确率和召回率分别为 99.15% 和 97.81%。我们发现，在常规情况下，CNN 将传统 DoO 滤波器应用后需人工目视检查的信号数量减少了 6–16 倍。
引用
@article{arxiv.2108.00559,
title = {A Machine-Learning-Based Direction-of-Origin Filter for the Identification of Radio Frequency Interference in the Search for Technosignatures},
author = {Pavlo Pinchuk and Jean-Luc Margot},
journal= {arXiv preprint arXiv:2108.00559},
year = {2022}
}
备注
25 pages, 14 figures, in press at the Astronomical Journal (submitted July 28, 2021; review received October 21, 2021; resubmitted October 25, 2021; accepted December 7, 2021)