論文の概要: Type III solar radio burst detection and classification: A deep learning approach

• arxiv url: http://arxiv.org/abs/2105.13387v1
• Date: Thu, 27 May 2021 18:30:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-01 02:30:17.373855
• Title: Type III solar radio burst detection and classification: A deep learning approach
• Title（参考訳）: iii型太陽電波バースト検出と分類:深層学習によるアプローチ
• Authors: Jeremiah Scully, Ronan Flynn, Eoin Carley, Peter Gallagher and Mark Daly
• Abstract要約: 太陽電波バースト分類のためのYou Only Look Once v2 (YOLOv2) という方法論を導入する。 Type IIIシミュレーション手法を用いることで、実タイプIII太陽放射バーストをリアルタイムで分類するアルゴリズムを訓練することができる。
• 参考スコア（独自算出の注目度）: 1.2967019807707307
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Solar Radio Bursts (SRBs) are generally observed in dynamic spectra and have five major spectral classes, labelled Type I to Type V depending on their shape and extent in frequency and time. Due to their complex characterisation, a challenge in solar radio physics is the automatic detection and classification of such radio bursts. Classification of SRBs has become fundamental in recent years due to large data rates generated by advanced radio telescopes such as the LOw-Frequency ARray, (LOFAR). Current state-of-the-art algorithms implement the Hough or Radon transform as a means of detecting predefined parametric shapes in images. These algorithms achieve up to 84% accuracy, depending on the Type of radio burst being classified. Other techniques include procedures that rely on Constant-FalseAlarm-Rate detection, which is essentially detection of radio bursts using a de-noising and adaptive threshold in dynamic spectra. It works well for a variety of different Types of radio bursts and achieves an accuracy of up to 70%. In this research, we are introducing a methodology named You Only Look Once v2 (YOLOv2) for solar radio burst classification. By using Type III simulation methods we can train the algorithm to classify real Type III solar radio bursts in real-time at an accu
• Abstract（参考訳）: 太陽電波バースト (solar radio burst, srbs) は一般的にダイナミックスペクトルで観測され、タイプiからタイプvまでのスペクトル分類は、その形状と周波数と時間によって異なる。 その複雑な特徴から、太陽電波物理学における課題は、そのような電波バーストの自動検出と分類である。 SRBの分類は、Low-Frequency ARray (LOFAR) のような先進的な電波望遠鏡によって生成される大きなデータ率により、近年は基本となっている。 現在の最先端アルゴリズムは、画像内の予め定義されたパラメトリック形状を検出する手段として、ハフまたはラドン変換を実装している。 これらのアルゴリズムは、電波バーストの種類に応じて最大84%の精度を達成している。 その他のテクニックとしては、動的スペクトルにおけるノイズ除去と適応しきい値を用いて本質的に電波バーストを検出する、Constant-FalseAlarm-Rate検出に依存するプロシージャがある。 様々な種類の無線バーストでうまく動作し、最大70%の精度を実現している。 本研究では、太陽電波バースト分類のためのYou Only Look Once v2 (YOLOv2) という方法論を導入する。 Type IIIシミュレーション手法を用いることで、実際のIII型太陽放射バーストをAccuでリアルタイムで分類するアルゴリズムを訓練することができる。

関連論文リスト

• RF Challenge: The Data-Driven Radio Frequency Signal Separation Challenge [66.33067693672696]
  本稿では、新しいデータ駆動手法を用いて、高周波信号における干渉拒否の重大な問題に対処する。 まず、干渉除去アルゴリズムの開発と解析の基礎となる洞察に富んだ信号モデルを提案する。 第2に,さまざまなRF信号とコードテンプレートを備えた公開データセットであるRF Challengeを紹介する。 第3に,UNetやWaveNetなどのアーキテクチャにおいて,新しいAIに基づく拒絶アルゴリズムを提案し,その性能を8種類の信号混合タイプで評価する。
  論文  参考訳（メタデータ） (2024-09-13T13:53:41Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Radio Map Estimation -- An Open Dataset with Directive Transmitter Antennas and Initial Experiments [49.61405888107356]
  実世界の現実的な都市地図とオープンなデータソースからの航空画像とともに、シミュレーションされた経路損失無線マップのデータセットをリリースする。 モデルアーキテクチャ,入力特徴設計,航空画像からの無線マップの推定に関する実験を行った。
  論文  参考訳（メタデータ） (2024-01-12T14:56:45Z)
• Improved Type III solar radio burst detection using congruent deep learning models [1.457696018869121]
  太陽フレアは、しばしば太陽放射バースト(SRB)と結びついている太陽大気中のエネルギー的な現象である SRBは測度からデカメトリック波長で観測され、ダイナミックスペクトルのシグネチャに基づいて5つのスペクトルクラス(タイプI-V)に分類される。 本研究では,III型SRBの自動検出と分類を行うために,協調型ディープラーニングモデルを実装した。
  論文  参考訳（メタデータ） (2023-05-16T10:04:30Z)
• Sionna RT: Differentiable Ray Tracing for Radio Propagation Modeling [65.17711407805756]
  Sionnaは、リンクレベルのシミュレーションをベースとしたGPUアクセラレーションのオープンソースライブラリである。 リリース v0.14 以降、電波伝搬のシミュレーションのために微分可能なレイトレーサ (RT) を統合している。
  論文  参考訳（メタデータ） (2023-03-20T13:40:11Z)
• A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm [0.0]
  ラジオスペクトログラムデータに注目するルックアライズな信号を探すために,高速かつモジュール化されたディープラーニングアルゴリズムを提案する。 このアルゴリズムは、元のラジオスペクトログラムデータのみを考慮し、類似した外観の信号を検索する。
  論文  参考訳（メタデータ） (2023-02-24T04:28:46Z)
• Explainable AI Algorithms for Vibration Data-based Fault Detection: Use Case-adadpted Methods and Critical Evaluation [0.0]
  深層ニューラルネットワークアルゴリズムを用いて振動データを解析することは、回転機械の損傷を早期に検出する有効な方法である。 本研究では、振動に基づく状態監視のための畳み込みニューラルネットワークへの説明可能なAI(XAI)アルゴリズムの適用について検討する。
  論文  参考訳（メタデータ） (2022-07-21T19:57:36Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)
• Real-Time Radio Technology and Modulation Classification via an LSTM Auto-Encoder [29.590446724625693]
  雑音の多い無線信号から安定かつロバストな特徴を自動的に抽出するLSTMデノケーションオートエンコーダに基づく学習フレームワークを提案する。 現実的な合成と無線データのオーバー・ザ・エアにより,提案手法が受信した無線信号を確実に効率的に分類できることが実証された。
  論文  参考訳（メタデータ） (2020-11-16T21:41:31Z)
• Detection of gravitational-wave signals from binary neutron star mergers using machine learning [52.77024349608834]
  本稿では,重力波検出器の時系列ひずみデータを用いたニューラルネットワークに基づく機械学習アルゴリズムを提案する。 信号対雑音比が25未満の信号に対する感度は6因子改善した。 保守的な推定は、我々のアルゴリズムが信号の到着からアラート発生までの平均10.2秒の遅延を発生させることを示している。
  論文  参考訳（メタデータ） (2020-06-02T10:20:11Z)
• Machine Learning Techniques to Detect and Characterise Whistler Radio Waves [0.0]
  VLFアンテナ受信機は、稲妻ストロークによって発生するウィスラー波を検出するために使用できる。 ホイッスルの識別と特徴化は、プラズマ圏をリアルタイムで監視する上で重要なタスクである。 本研究の目的は、VLF受信機が提供するデータ中のwhirsを自動的に検出できる機械学習ベースのモデルを開発することである。
  論文  参考訳（メタデータ） (2020-02-04T12:05:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。