論文の概要: Anomaly Detection and RFI Classification with Unsupervised Learning in Narrowband Radio Technosignature Searches

• arxiv url: http://arxiv.org/abs/2411.16556v1
• Date: Mon, 25 Nov 2024 16:40:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:18:27.942801
• Title: Anomaly Detection and RFI Classification with Unsupervised Learning in Narrowband Radio Technosignature Searches
• Title（参考訳）: Narrowband Radio Technosignature Searchにおける教師なし学習による異常検出とRFI分類
• Authors: Ben Jacobson-Bell, Steve Croft, Carmen Choza, Alex Andersson, Daniel Bautista, Vishal Gajjar, Matthew Lebofsky, David H. E. MacMahon, Caleb Painter, Andrew P. V. Siemion,
• Abstract要約: 本稿では,HDBSCANを用いて偽陽性率を低減し,外れ値信号の分離を行う信号処理手法であるGLOBular Clusteringを提案する。 標準的な狭帯域信号検出と空間フィルタリングパイプラインを組み合わせると、GLOBcularクラスタリングは偽陽性率を大幅に改善する。 We benchmark our method against the Choza et al. (2024) TurboSETI-only search of 97 nearby galaxy at L-band, showed a false- positive hit reduction rate of 93.1% and a false- positive event reduction rate of 99.3%。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: The search for radio technosignatures is an anomaly detection problem: candidate signals represent needles of interest in the proverbial haystack of radio-frequency interference (RFI). Current search frameworks find an enormity of false-positive signals, especially in large surveys, requiring manual follow-up to a sometimes prohibitive degree. Unsupervised learning provides an algorithmic way to winnow the most anomalous signals from the chaff, as well as group together RFI signals that bear morphological similarities. We present GLOBULAR (Grouping Low-frequency Observations By Unsupervised Learning After Reduction) clustering, a signal processing method that uses HDBSCAN to reduce the false-positive rate and isolate outlier signals for further analysis. When combined with a standard narrowband signal detection and spatial filtering pipeline, such as turboSETI, GLOBULAR clustering offers significant improvements in the false-positive rate over the standard pipeline alone, suggesting dramatic potential for the amelioration of manual follow-up requirements for future large surveys. By removing RFI signals in regions of high spectral occupancy, GLOBULAR clustering may also enable the detection of signals missed by the standard pipeline. We benchmark our method against the Choza et al. (2024) turboSETI-only search of 97 nearby galaxies at L-band, demonstrating a false-positive hit reduction rate of 93.1% and a false-positive event reduction rate of 99.3%.
• Abstract（参考訳）: 無線技術信号の探索は異常検出の問題であり、候補信号は電波干渉(RFI)の実証的な干し草への関心を示す。 現在の検索フレームワークは、特に大規模な調査では偽陽性信号のエノリティを見つけ、時には禁止的な程度まで手動でフォローアップする必要がある。 教師なし学習は、チャフから最も異常な信号を解き放つアルゴリズムと、形態的類似性を持つRFI信号をまとめるアルゴリズムを提供する。 我々は,HDBSCANを用いて偽陽性率を低減し,さらに解析するために外れ値信号を分離する信号処理法であるGLOBular(Grouping Low- frequency Observations by Unsupervised Learning After Reduction)クラスタリングを提案する。 ターボSETIのような標準的な狭帯域信号検出と空間フィルタリングパイプラインと組み合わせることで、GLOBularクラスタリングは、標準パイプラインのみよりも偽陽性率を大幅に改善し、将来の大規模な調査における手動追従要求の改善の劇的な可能性を示唆している。 高スペクトル占有域におけるRFI信号の除去により、GLOBular Clusteringは標準パイプラインが見逃す信号の検出を可能にする。 We benchmark our method against the Choza et al (2024) TurboSETI-only search of 97 nearby galaxy at L-band, showed a false- positive hit reduction rate of 93.1% and a false- positive event reduction rate of 99.3%。

関連論文リスト

• Radar Signal Recognition through Self-Supervised Learning and Domain Adaptation [48.265859815346985]
  RFサンプルとラベルを限定した環境下でのレーダ信号認識を強化するための自己教師付き学習(SSL)手法を提案する。 具体的には,各種RF領域のベースバンド内位相および2次(I/Q)信号に対する事前学習マスク付きオートエンコーダ(MAE)について検討する。 その結果,ドメイン適応型軽量自己教師型ResNetモデルでは,1ショットの分類精度が最大17.5%向上した。
  論文  参考訳（メタデータ） (2025-01-07T01:35:56Z)
• A Neural Network-Based Search for Unmodeled Transients in LIGO-Virgo-KAGRA's Third Observing Run [0.5857761499059161]
  本稿では, LIGO, Virgo, KAGRAの3回観測結果から, ニューラルネットワークを用いた短周期重力波トランジェント探索の結果について述べる。 探索は、30-1500Hzの周波数帯域でミリ秒から数秒間、受信信号の方向、偏光、形態について仮定することなく、未モデル化のトランジェントをターゲットにしている。
  論文  参考訳（メタデータ） (2024-12-27T19:00:01Z)
• 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)
• BRSR-OpGAN: Blind Radar Signal Restoration using Operational Generative Adversarial Network [15.913517836391357]
  現実世界のレーダー信号は、望ましくないエコー、センサーノイズ、意図的な妨害、干渉など、人工物が混ざり合っているため、しばしば破損する。 BRSR-OpGAN(Operational Generative Adversarial Network)を用いたブラインドレーダ信号復元の検討 このアプローチは、破壊の多様性や強度に関わらず、レーダ信号の品質を向上させるように設計されている。
  論文  参考訳（メタデータ） (2024-07-18T23:55:48Z)
• Disentangled Representation Learning for RF Fingerprint Extraction under Unknown Channel Statistics [77.13542705329328]
  本稿では,まず,不整合表現学習(DRL)の枠組みを提案し,入力信号を逆学習によりデバイス関連成分とデバイス関連成分に分解する。 提案フレームワークにおける暗黙的なデータ拡張は、デバイス非関連チャネル統計の過度な適合を避けるために、RFF抽出器に正規化を課す。 実験により、DR-RFFと呼ばれる提案手法は、未知の複雑な伝播環境に対する一般化可能性の観点から従来の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-08-04T15:46:48Z)
• Space-based gravitational wave signal detection and extraction with deep neural network [13.176946557548042]
  宇宙ベースの重力波検出器(GW)は、現在の地上での観測でほぼ不可能に近い音源からの信号を観測することができる。 本稿では,全宇宙GWソースに対して高精度なGW信号検出・抽出手法を提案する。
  論文  参考訳（メタデータ） (2022-07-15T11:48:15Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Signal Processing and Machine Learning Techniques for Terahertz Sensing: An Overview [89.09270073549182]
  テラヘルツ(THz)信号生成と放射法は、無線システムの未来を形作っている。 THz 固有の信号処理技術は、THz 帯域の効率的な利用のために、この THz センシングへの関心を補う必要がある。 本稿では,信号前処理に着目した手法の概要を示す。 また,THz帯で有望な知覚能力を探索し,深層学習の有効性についても検討した。
  論文  参考訳（メタデータ） (2021-04-09T01:38:34Z)
• Discriminative Singular Spectrum Classifier with Applications on Bioacoustic Signal Recognition [67.4171845020675]
  分析や分類に有用な特徴を効率的に抽出する識別機構を備えた生体音響信号分類器を提案する。 タスク指向の現在のバイオ音響認識法とは異なり、提案モデルは入力信号をベクトル部分空間に変換することに依存する。 提案法の有効性は,アヌラン,ミツバチ,蚊の3種の生物音響データを用いて検証した。
  論文  参考訳（メタデータ） (2021-03-18T11:01:21Z)

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。