一种用于射电天文中射频干扰检测与去除的自学习神经网络方法
天体物理仪器与方法
2022-11-30 v2
摘要
我们提出了一种新颖的神经网络(NN)方法，用于在典型射电天文实验信号处理链中从原始数字化信号里检测并去除射频干扰(RFI)。我们方法的主要优势在于不需要训练集。相反，我们的方法依赖于以下事实：来自天文源的真实感兴趣信号是热信号，因此被描述为高斯随机过程，其不可被压缩。我们采用变分编码器/解码器网络来寻找数据流中可压缩的信息，该信息能以最少的自由度解释最大的方差。我们在一组玩具问题以及来自重子映射实验(BMX)原型的存储环形缓冲区上进行了演示。我们发现RFI减除能有效清理模拟时间流：虽然我们发现NN输出的RFI清洗后时间流的功率谱带有与加性噪声一致的额外信号，但我们发现其在整个频带中通常处于百分量级，即使在受污染频谱通道中RFI功率比信号大一个数量级时，也低于10%。我们讨论了该方法的优势与局限，以及在未来射电实验前端中实现的可能性。
引用
@article{arxiv.2203.16607,
title = {A Self-Learning Neural Network Approach for RFI Detection and Removal in Radio Astronomy},
author = {Benjamin R. B. Saliwanchik and Anže Slosar},
journal= {arXiv preprint arXiv:2203.16607},
year = {2022}
}
备注
16 pages, 6 figures, Accepted for publication in PASP