利用堆叠式自编码器从极光千米波辐射中去除射频干扰

天文学中的射频数据使科学家能够分析天体物理现象。然而，这些数据会受到射频干扰（RFI）的污染，从而限制对底层自然过程的观测。本研究中，我们将深度学习算法的近期进展扩展至天文数据。我们从含极光千米波辐射（AKR）的时频谱图中去除 RFI——AKR 是一种源自地球极光区的相干射电辐射，用于研究天体物理等离子体。我们提出一种用于极光射电辐射的去噪自编码器（DAARE），其使用合成谱图训练，以对南极站采集的 AKR 信号去噪。DAARE 在合成 AKR 观测上取得 42.2 峰值信噪比（PSNR）与 0.981 结构相似性（SSIM），相较最先进滤波与去噪网络，PSNR 提升 3.9，SSIM 提升 0.064。定性比较表明，尽管完全在模拟 AKR 数据集上训练，DAARE 仍能有效从真实 AKR 观测中去除 RFI。模拟 AKR、训练 DAARE 及应用 DAARE 的框架可访问 github.com/Cylumn/daare。