用于射电 SETI 信号分类的机器视觉与深度学习
天体物理仪器与方法
2019-02-08 v1 地球与行星天体物理
摘要
我们应用经典机器视觉与机器深度学习方法，为搜寻地外文明(SETI)构建原型信号分类器。我们的新颖方法使用承载技术起源印记的实测与模拟射电信号的二维谱图。研究使用从 Allen Telescope Array 实时 SETI 观测捕获的归档窄带信号数据，以及一组设计用于模仿真实观测信号的数字模拟信号进行。通过将二维谱图视为图像，我们展示了基于自动视觉分析的高质量参数与非参数分类器可实现高水平的判别力与准确率，以及低误报率。 (真实)归档数据经受了众多基于垂直与水平图像矩及 Huff 变换以模拟特征旋转的特征提取算法。最成功的算法采用两步过程：首先用旋转、尺度与平移不变的仿射变换对图像滤波，随后与一组先前定义的标记原型样例进行简单相关。真实数据常包含多个信号与信号鬼影，因此我们采用更简单的、由模拟具有与观测原型相似性质的复值电压数据所产生的受控数据集来进行非参数评估。最成功的非参数分类器采用了一种宽的残差(卷积)神经网络，其基于当前用于普通照片中目标检测的已有分类器。这些结果广泛适用于众多已采用谱图分析的研究领域，从时域天文到地震观测乃至动物发声分析。
引用
@article{arxiv.1902.02426,
title = {Machine Vision and Deep Learning for Classification of Radio SETI Signals},
author = {G. R. Harp and Jon Richards and Seth Shostak Jill C. Tarter and Graham Mackintosh and Jeffrey D. Scargle and Chris Henze and Bron Nelson and G. A. Cox and S. Egly and S. Vinodababu and J. Voien},
journal= {arXiv preprint arXiv:1902.02426},
year = {2019}
}
备注
31 pages, 7 figures, 4 tables, submitted to Astronomical Journal