用于哨声无线电波检测与表征的机器学习技术
摘要
闪电放电产生强大的电磁脉冲，通常导致甚低频（VLF）波沿地磁线跨半球传播。VLF 天线接收器可用于检测这些由闪电放电产生的哨声（whistler）波。接收到的哨声波特定的时频特性使得磁层等离子体层区域的电子密度得以估计。因此，哨声波的识别与表征是实时监测等离子体层以及构建用于统计研究的大型事件数据库的重要任务。当前哨声检测的最先进方法是 Lichtenberger（2009）开发的自动哨声检测（AWD）方法。该方法基于二维图像相关，且需要在 VLF 接收天线（如南极洲）处配置大量计算硬件。本工作的目标是开发一种基于机器学习的模型，能够自动检测 VLF 接收器提供的数据中的哨声波。该方法是对 VLF 接收器生成的谱图数据使用图像分类与定位的组合，以识别和定位每个哨声波。手头数据包含约 2300 个由 SANAE 和 Marion 的 AWD 识别的事件，将用作训练、验证和测试数据。提出了三种检测器设计：第一种使用与 AWD 类似的方法，第二种对从谱图中提取的兴趣区域进行图像分类，最后一种使用当前目标检测最先进方法 YOLO。已表明这些检测器在 Marion 数据集上可实现低于 15% 的漏检与误报率。
引用
@article{arxiv.2002.01244,
title = {Machine Learning Techniques to Detect and Characterise Whistler Radio Waves},
author = {Othniel J. E. Y. Konan and Amit Kumar Mishra and Stefan Lotz},
journal= {arXiv preprint arXiv:2002.01244},
year = {2020}
}
备注
20 pages, 13 tables, 26 figures, Preliminary work presented at the Machine Learning in Heliophysics hosted in September 2019 in Amsterdam (https://ml-helio.github.io/). Code can be found at (https://github.com/Kojey/MSc-whistler-waves-detector)