利用基于循环去噪自编码器的深度学习对引力波进行去噪
广义相对论与量子宇宙学
2020-01-31 v1 高能天体物理现象
天体物理仪器与方法
机器学习
神经与进化计算
摘要
引力波天文学是现代天体物理学中迅速发展的领域，LIGO 探测器已频繁进行观测。引力波信号往往极其微弱，且来自 LIGO 等探测器的数据受到非高斯与非平稳噪声的污染，常包含可掩盖真实信号的瞬态扰动。传统的去噪方法，如主成分分析与字典学习，在处理此类非高斯噪声时并非最优，尤其对于低信噪比的引力波信号。此外，这些方法在大型数据集上计算代价高昂。为克服这些问题，我们应用基于近期深度学习突破性进展的最先进信号处理技术，对嵌入高斯噪声或真实 LIGO 噪声中的引力波信号进行去噪。我们引入了 SMTDAE，一种基于序列到序列双向长短期记忆循环神经网络的阶梯式多时间步去噪自编码器。我们展示了使用我们无监督深度学习方法的优势，并表明在仅使用模拟高斯噪声训练后，SMTDAE 对嵌入真实非高斯 LIGO 噪声中的引力波信号实现了优异的恢复性能。
引用
@article{arxiv.1711.09919,
title = {Denoising Gravitational Waves using Deep Learning with Recurrent Denoising Autoencoders},
author = {Hongyu Shen and Daniel George and E. A. Huerta and Zhizhen Zhao},
journal= {arXiv preprint arXiv:1711.09919},
year = {2020}
}
备注
5 pages, 2 figures