利用监督机器学习算法分离脉冲星信号与噪声
天体物理仪器与方法
2018-03-06 v3 高能天体物理现象
摘要
我们评估了四种不同机器学习(ML)算法的性能：人工神经网络多层感知机(ANN MLP)、Adaboost、梯度提升分类器(GBC)、XGBoost，用于从射频干扰(RFI)和其他噪声源中分离脉冲星，所用数据集来自脉冲星搜索流水线后处理。该数据集先前用于基于SPINN的机器学习引擎的交叉验证，该引擎用于HTRU-S巡天数据重处理 arXiv:1406.3627。我们采用了合成少数类过采样技术(SMOTE)来处理数据集中的高度类别不平衡。我们报告了这四种算法在非SMOTE和SMOTE数据集上的多种质量分数。对于上述所有ML方法，我们在非SMOTE和SMOTE情况下均报告了高准确率和G-mean。我们使用Adaboost、GBC和XGBoost以及最小冗余最大相关方法研究了特征重要性，以报告与算法无关的特征排序。从这些方法中，我们发现折叠轮廓的信噪比是最佳特征。我们发现所有ML算法报告的FPR比arXiv:1406.3627中在相同召回值下获得的相应FPR低约一个数量级。
引用
@article{arxiv.1704.04659,
title = {Separation of pulsar signals from noise with supervised machine learning algorithms},
author = {Suryarao Bethapudi and Shantanu Desai},
journal= {arXiv preprint arXiv:1704.04659},
year = {2018}
}
备注
14 pages, 2 figures. Accepted for publication in Astronomy and Computing