用于射频干扰检测的脉冲神经网络

脉冲神经网络（SNN）有望实现高效和动态的时空数据处理。本文将无线电天文学中的重要挑战——射频干扰（RFI）检测——重新表述为适合SNN执行的时间序列分割任务。能够实现实时运行并具备最小能源消耗的自动化系统在现代无线电望远镜中日益重要。我们探索了Several spectrogram编码方法和网络参数，应用一阶和二阶 leaky integrate and fire SNN 来应对RFI检测。我们引入一种受 divisive normalisation 启发的预处理步骤，提高了多种编码策略下的检测性能。该方法在合成数据集上实现了有竞争力的性能，并在来自低频阵列（LOFAR）的真实数据上取得引人注目的初始结果。我们将SNN定位为实现实时RFI检测的可行路径，为后续研究提供了许多可能性。这一发现突显了SNN在执行复杂时序任务方面的潜力，为无线电天文学及其他数据密集型领域的高效实时处理指明了方向。