p63. حذف اثرات راديويي مداخله‌اي با يادگيري عميق

RFI mitigation using deep learning

در داده‌گيري تلسكوپهاي جديد نياز به مديريت داده‌ بسيار جديتر و فرايند ماشيني كردن در آن غيرقابل اجتنابتر‌ شده است. به همين منظور اتوماسيون مديريت داده‌ها و حتي داده‌گيري تلسكوپها از پرچالشترين و مهمترين كاربرد‌هاي ياد‌گيري ماشيني رصدهاي اخير است. يكي از مسأله‌هاي مهم اين حوزه تشخيص اثرات راديويي مداخله‌اي است. منابع مزاحمي كه در حين رصد راديويي ميتوانند قسمت‌هايي از داده را آلوده و غير قابل استفاده كنند. تشخيص و جداسازي اين اثرات تاكنون با روشهاي تحليل آماري و يا پردازش تصوير صورت ميگرفته و اخيرا مطالعاتي در زمينه‌ي استفاده از شبكه‌ها عصبي نيز انجام شده است. در اين تحقيق ما روشي را مبتني بر شبكه‌هاي عصبي معرفي كرده‌ايم و نتايج آن را با روش مرسوم AOFlagger و شبكه Unet مقايسه كرده‌‌ايم. نتايج ما نشان ميدهد كه روش پيشنهاد شده روي داده‌هاي شبيه‌سازي HIDE و رصد‌هاي واقعي KAT7 تشخيص موفق‌تري را تا 0.99 با متريك مساحت زير نمودار ‌ROC براي اثرات تداخلي كسب كرده است.

Recent observational projects need more sophisticated data management and more practical machinery. So machine learning is an unavoidable option for data accusation and management. One of the most important issues in this field is radio frequency interference (RFI) mitigation. RFI can pollute a portion of data and make it un useable. AOFlagger is the approach people use for RFI mitigation currently and there are some studies about potential deep learning based methods. In this study, we presented a convolutional neural network based method (Rnet, inspired by ResNet) and compared it with AOFlagger and another deep leaning based proposal named Unet. We evaluated the approaches on simulated and real data and Rnet obtained 0.99 in the best of its results and outperformed other approaches using AUC metric .