用于射频干扰标记的监督神经网络
天体物理仪器与方法
2020-07-31 v1 机器学习
摘要
基于神经网络（NN）的方法被应用于后相关、后校准的时间/频率数据中射频干扰（RFI）的检测。虽然校准确实会影响 RFI，但出于本工作目的使用了后校准的精简数据集。利用现有 RFI 标记技术 AOFlagger 作为基准真值，展示了两种用于真实测量数据标记的机器学习方法。结果表明，可使用每层时间/频率样本单独训练一个单层全连接网络，以每种偏振与斯托克斯可见量的幅度和相位作为特征。该方法能够以较高准确度预测每条基线的布尔标记图，达到召回率 0.69、精确率 0.83 和 F1 分数 0.75。
引用
@article{arxiv.2007.14996,
title = {Supervised Neural Networks for RFI Flagging},
author = {Kyle Harrison and Amit Kumar Mishra},
journal= {arXiv preprint arXiv:2007.14996},
year = {2020}
}
备注
This paper has been published in the Proceedings of RFI 2019 Workshop by IEEE Xplorer at: https://ieeexplore.ieee.org/xpl/conhome/9108774/proceeding