近期,广州大学国家天文科学数据中心大湾区分中心、南非罗德斯大学SKA团队、中国科学院云南天文台团队和昆明理工大学的孙浩民、邓辉、王锋、梅盈、许婷婷、Oleg Smirnov、邓林华和卫守林等人,开展了基于深度学习方法的射频干扰识别研究 ...
以平方公里阵列(SKA)为例的新一代射电干涉阵列的迅速发展为天文学研究提供了前所未有的机会。
然而来自通信技术以及其他人类活动所产生的射频干扰(RFI)严重影响了射电天文观测数据质量的同时也大大降低了望远镜的灵敏度。因此在射电数据处理中,对观测数据中的RFI进行识别标记是一项重要的工作。
本次工作利用SKA模拟、校准和成像算法库(RASCIL)结合美国氢原子再电离时代阵列HERA的RFI模拟方法生成受到干扰的SKA1-LOW模拟观测数据,并使用以部分模拟数据训练得到的卷积神经网络(图1) ...
来对其余三个受到不同强度、形态干扰的数据集进行测试,测试结果表面:本文提出的模型对SKA1-LOW的仿真数据中RFI的识别效果良好,ROC曲线下的面积(AUC)达到了0.93。