VLBA快速射电暴检测的机器学习分类器
天体物理仪器与方法
2016-06-29 v1
摘要
时域射电天文观测活动经常产生大量数据。我们的目标是开发能够识别隐藏在更大数据流中的感兴趣事件的自动化方法。V-FASTR快速暂现系统旨在在甚长基线阵列（VLBA）收集的数据中检测罕见的快速射电暴（FRBs）。由此产生的事件候选体构成了后续人工审核时间的重大负担。我们训练并部署了一个机器学习分类器，将每个候选检测标记为来自已知脉冲星的脉冲、无线电频率干扰造成的伪影或潜在的新发现。该分类器通过将其预测限制在至少90%置信度的候选体上来保持高可靠性。我们还对V-FASTR基于网络的候选审核系统实施了多项效率和可用性改进。总体而言，我们发现审核时间减少，有趣候选体的比例增加。该分类器现在对80-90%的候选体进行分类（因此过滤），准确率超过98%，仅留下10-20%最有希望的候选体由人工审核。
引用
@article{arxiv.1606.08605,
title = {A Machine Learning Classifier for Fast Radio Burst Detection at the VLBA},
author = {Kiri L. Wagstaff and Benyang Tang and David R. Thompson and Shakeh Khudikyan and Jane Wyngaard and Adam T. Deller and Divya Palaniswamy and Steven J. Tingay and Randall B. Wayth},
journal= {arXiv preprint arXiv:1606.08605},
year = {2016}
}
备注
Published in PASP