論文の概要: A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm
- arxiv url: http://arxiv.org/abs/2302.13854v2
- Date: Fri, 19 Jan 2024 02:19:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-22 19:42:39.033024
- Title: A Deep Neural Network Based Reverse Radio Spectrogram Search Algorithm
- Title（参考訳）: ディープニューラルネットワークを用いた逆ラジオスペクトログラム探索アルゴリズム
- Authors: Peter Xiangyuan Ma, Steve Croft, Chris Lintott, Andrew P. V. Siemion
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern radio astronomy instruments generate vast amounts of data, and the
increasingly challenging radio frequency interference (RFI) environment
necessitates ever-more sophisticated RFI rejection algorithms. The "needle in a
haystack" nature of searches for transients and technosignatures requires us to
develop methods that can determine whether a signal of interest has unique
properties, or is a part of some larger set of pernicious RFI. In the past,
this vetting has required onerous manual inspection of very large numbers of
signals. In this paper we present a fast and modular deep learning algorithm to
search for lookalike signals of interest in radio spectrogram data. First, we
trained a B-Variational Autoencoder on signals returned by an energy detection
algorithm. We then adapted a positional embedding layer from classical
Transformer architecture to a embed additional metadata, which we demonstrate
using a frequency-based embedding. Next we used the encoder component of the
B-Variational Autoencoder to extract features from small (~ 715,Hz, with a
resolution of 2.79Hz per frequency bin) windows in the radio spectrogram. We
used our algorithm to conduct a search for a given query (encoded signal of
interest) on a set of signals (encoded features of searched items) to produce
the top candidates with similar features. We successfully demonstrate that the
algorithm retrieves signals with similar appearance, given only the original
radio spectrogram data. This algorithm can be used to improve the efficiency of
vetting signals of interest in technosignature searches, but could also be
applied to a wider variety of searches for "lookalike" signals in large
astronomical datasets.
- Abstract（参考訳）: 現代の電波天文学機器は膨大な量のデータを生成し、より困難な電波干渉(RFI)環境はより高度なRFI拒絶アルゴリズムを必要とする。
過渡性と技術記号の探索という「干し草の山」の性質は、興味のある信号に固有の性質があるかどうかを判断する手法を開発するか、より大規模なRFIの一部であるかを決定する必要がある。
過去には、このベッティングには膨大な数の信号の面倒な手作業による検査が必要だった。
本稿では,無線スペクトログラムデータに注目されるような信号を探索する,高速でモジュラーなディープラーニングアルゴリズムを提案する。
まず,エネルギー検出アルゴリズムによって返される信号に対して,B値オートエンコーダを訓練した。
次に、従来のTransformerアーキテクチャから埋め込みメタデータに位置埋め込み層を適応させ、周波数ベースの埋め込みを実演した。
次に,B-Variational Autoencoder のエンコーダ成分を用いて,小型 (約715,Hz,周波数ビンあたり2.79Hz) の窓をラジオスペクトログラムに抽出した。
提案手法では,類似した特徴量を持つ最上位候補を生成するために,信号群(検索項目の符号化特徴)上で与えられた問合せ(興味の符号化信号)の探索を行う。
我々は,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の検索に成功した。
このアルゴリズムは、テクノシグナチャサーチにおける興味ある信号の検証の効率を向上させるために使用できるが、大規模な天文学的データセットにおける「見た目」信号のより広範な検索にも適用できる。
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) - Large Scale Radio Frequency Wideband Signal Detection & Recognition [0.0]
53種類の信号から550万の合成標本を合成したWidebandSig53データセットを提案する。
我々は、WBSig53データセットのオープンソースでカスタマイズ可能な生成、拡張、処理のためのTorchSig信号処理機械学習ツールキットを拡張した。
論文 参考訳（メタデータ） (2022-11-04T13:24:53Z) - MLGWSC-1: The first Machine Learning Gravitational-Wave Search Mock Data
Challenge [110.7678032481059]
第1回機械学習重力波探索モックデータチャレンジ(MLGWSC-1)の結果を示す。
この課題のために、参加するグループは、より現実的な雑音に埋め込まれた複雑さと持続期間が増大する二元ブラックホールの融合から重力波信号を特定する必要があった。
この結果から,現在の機械学習検索アルゴリズムは,限られたパラメータ領域においてすでに十分敏感である可能性が示唆された。
論文 参考訳（メタデータ） (2022-09-22T16:44:59Z) - 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) - From One to Many: A Deep Learning Coincident Gravitational-Wave Search [58.720142291102135]
単一検出器からの非スピン型二元ブラックホールデータに基づいてトレーニングされたニューラルネットワークを用いて、二元ブラックホールの融合から重力波を2検出器で探索する。
これらの単純な2検出器ネットワークはいずれも、検出器のデータに個別にネットワークを適用するよりも感度を向上させることができない。
論文 参考訳（メタデータ） (2021-08-24T13:25:02Z) - A Machine-Learning-Based Direction-of-Origin Filter for the
Identification of Radio Frequency Interference in the Search for
Technosignatures [0.0]
畳み込みニューラルネットワーク(CNN)は、既存のフィルタに対して有望な補完を提供する。
我々は、あるスキャンで検出された信号が別のスキャンに存在するかどうかを判定できるCNNを設計し、訓練した。
このCNNベースのDoOフィルタは、ベースライン2D相関モデルと既存のDoOフィルタの両方を、さまざまなメトリクスで上回る。
論文 参考訳（メタデータ） (2021-07-28T20:22:39Z) - Training Strategies for Deep Learning Gravitational-Wave Searches [43.55994393060723]
我々は、非スピン性二元ブラックホールからの信号に分析を限定する。
トレーニングデータをネットワークに提示するさまざまな戦略を体系的にテストする。
深層学習アルゴリズムは低信号-雑音比(SNR)信号を高SNR信号に一般化できるが、その逆はできない。
論文 参考訳（メタデータ） (2021-06-07T16:04:29Z) - 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)
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。