論文の概要: Spiking Neural Networks for Radio Frequency Interference Detection in Radio Astronomy
- arxiv url: http://arxiv.org/abs/2412.06124v2
- Date: Fri, 24 Oct 2025 07:41:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-28 09:00:14.774896
- Title: Spiking Neural Networks for Radio Frequency Interference Detection in Radio Astronomy
- Title（参考訳）: 電波天文学における周波数干渉検出のためのスパイクニューラルネットワーク
- Authors: Nicholas J. Pritchard, Andreas Wicenec, Mohammed Bennamoun, Richard Dodson,
- Abstract要約: スパイキングニューラルネットワーク(SNN)は、効率的でダイナミックなデータ処理を約束する。
本稿では,電波天文学,RFI(Radio Frequency Interference)検出における重要な課題を整理する。
- 参考スコア（独自算出の注目度）: 23.640910858923316
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Spiking Neural Networks (SNNs) promise efficient and dynamic spatio-temporal data processing. This paper reformulates a significant challenge in radio astronomy, Radio Frequency Interference (RFI) detection, as a time-series segmentation task suited for SNN execution. Automated systems capable of real-time operation with minimal energy consumption are increasingly important in modern radio telescopes. We explore several spectrogram encoding methods and network parameters, applying first and second-order leaky integrate and fire SNNs to tackle RFI detection. We introduce a divisive normalisation-inspired pre-processing step, improving detection performance across multiple encodings strategies. Our approach achieves competitive performance on a synthetic dataset and compelling initial results on real data from the Low-Frequency Array (LOFAR). We position SNNs as a viable path towards real-time RFI detection, with many possibilities for follow-up studies. These findings highlight the potential for SNNs performing complex time-series tasks, paving the way towards efficient, real-time processing in radio astronomy and other data-intensive fields.
- Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、効率的でダイナミックな時空間データ処理を約束する。
本稿では,SNN実行に適した時系列セグメンテーションタスクとして,電波天文学,RFI(Radio Frequency Interference)検出において重要な課題を整理する。
現代の電波望遠鏡では、エネルギー消費の少ないリアルタイム操作が可能な自動化システムがますます重要になっている。
本稿では,複数のスペクトル符号化手法とネットワークパラメータを探索し,第1および第2次漏洩積分を適用し,SNNを点火してRFI検出を行う。
分割正規化にインスパイアされた事前処理のステップを導入し、複数のエンコーディング戦略における検出性能を改善した。
提案手法は,Low-Frequency Array (LOFAR) を用いて,合成データセット上での競合性能と実データに対する説得力のある初期結果を実現する。
我々は、SNNをリアルタイムRFI検出への有効な経路として位置づけ、フォローアップ研究の可能性が数多くある。
これらの知見は、SNNが複雑な時系列処理を行う可能性を強調し、電波天文学やその他のデータ集約分野における効率的なリアルタイム処理への道を開いた。
関連論文リスト
- Neuromorphic Wireless Split Computing with Resonate-and-Fire Neurons [69.73249913506042]
本稿では、共振器(RF)ニューロンを用いて時間領域信号を直接処理する無線スプリットコンピューティングアーキテクチャについて検討する。
可変周波数で共鳴することにより、RFニューロンは低スパイク活性を維持しながら時間局在スペクトル特徴を抽出する。
実験の結果,提案したRF-SNNアーキテクチャは従来のLIF-SNNやANNと同等の精度を達成できることがわかった。
論文 参考訳（メタデータ） (2025-06-24T21:14:59Z) - Polarisation-Inclusive Spiking Neural Networks for Real-Time RFI Detection in Modern Radio Telescopes [25.08630315149258]
Spiking Neural Networks(SNN)は、リアルタイムRFI検出のための有望なソリューションを提供する。
予備的な結果は、最先端の検知精度を示し、広範囲なエネルギー効率の向上を浮き彫りにする。
論文 参考訳（メタデータ） (2025-04-16T02:45:00Z) - Advancing RFI-Detection in Radio Astronomy with Liquid State Machines [25.08630315149258]
人為的な電波源からの電波周波数干渉(RFI)は、現在および将来の電波望遠鏡に重大な課題をもたらす。
本研究では、スパイクネットワークのクラスであるLiquid State Machines (LSMs) をRFI検出に適用する。
我々は、RFI検出の既知のベンチマークであるHyrogen Epoch of Reionization Array (HERA)から得られたシミュレーションデータに基づいてLSMを訓練する。
本モデルでは,画素あたり98%の精度,F1-Integrate 0.743の精度を実現し,この高い課題に対する競合性能を示す。
論文 参考訳（メタデータ） (2025-04-14T01:51:01Z) - Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングでは、スパイクニューラルネットワーク(SNN)が推論タスクを実行し、シーケンシャルデータを含むワークロードの大幅な効率向上を提供する。
ハードウェアとソフトウェアの最近の進歩は、スパイクニューロン間で交換された各スパイクに数ビットのペイロードを埋め込むことにより、推論精度をさらに高めることを示した。
本稿では,マルチレベルSNNを用いた無線ニューロモルフィック分割計算アーキテクチャについて検討する。
論文 参考訳（メタデータ） (2024-11-07T14:08:35Z) - Enhanced Real-Time Threat Detection in 5G Networks: A Self-Attention RNN Autoencoder Approach for Spectral Intrusion Analysis [8.805162150763847]
本稿では,自己認識機構とリカレントニューラルネットワーク(RNN)に基づくオートエンコーダを統合する実験モデルを提案する。
本手法は, 時系列解析, プロセス・イン・フェイズ, および二次(I/Q)サンプルを用いて, ジャミング攻撃の可能性を示す不規則性を同定する。
モデルアーキテクチャは自己アテンション層で拡張され、RNNオートエンコーダの機能を拡張する。
論文 参考訳（メタデータ） (2024-11-05T07:01:15Z) - Supervised Radio Frequency Interference Detection with SNNs [25.08630315149258]
電波干渉(Radio Frequency Interference、RFI)は、電波望遠鏡によって観測される観測を妨害し、地球や天体から発生する電波天文学において重要な課題である。
電波天文学観測の動的・時間的性質を考えると、スパイキングニューラルネットワーク(SNN)は有望なアプローチとして出現する。
SNN推論のための電波可視データの符号化について,レート,レイテンシ,デルタ変調,ステップフォワードアルゴリズムの3つのバリエーションを考慮した6つの符号化方式について検討した。
論文 参考訳（メタデータ） (2024-06-10T07:49:51Z) - RFI Detection with Spiking Neural Networks [25.08630315149258]
本研究では、スパイキングニューラルネットワーク(SNN)の天文学的データ処理タスク、特にRFI検出への最初の探索的応用について紹介する。
ANN2SNN変換によりSNN実行に最寄りのラテンネーブラーアルゴリズムとオートエンコーダアーキテクチャを適用する。
我々のアプローチは、HERAデータセットのAUROC、AUPRC、F1の既存の手法と競合するが、LOFAR、Tabascalデータセットでは困難である。
論文 参考訳（メタデータ） (2023-11-24T06:27:08Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z) - 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) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳（メタデータ） (2021-03-15T12:54:26Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - Multi-Tones' Phase Coding (MTPC) of Interaural Time Difference by
Spiking Neural Network [68.43026108936029]
雑音の多い実環境下での正確な音像定位のための純粋スパイクニューラルネットワーク(SNN)に基づく計算モデルを提案する。
このアルゴリズムを,マイクロホンアレイを用いたリアルタイムロボットシステムに実装する。
実験の結果, 平均誤差方位は13度であり, 音源定位に対する他の生物学的に妥当なニューロモルフィックアプローチの精度を上回っていることがわかった。
論文 参考訳（メタデータ） (2020-07-07T08:22:56Z)
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。