基于像素偏移值信号增强算法的单脉冲候选体分类方法研究

时域射电领域观测活动经常产生海量的数据,而随着深度学习技术近几年来的不断发展,以在海量的数据流中识别可能的单脉冲侯选体成为主流方法。相对于传统的脉冲星搜寻方法,使用深度学习领域的技术可以缩短搜寻时间,提高搜寻效率,同时能达到极高的预测精度。本文提出了一种像素偏移值信号增强算法,采用经ImageNet预训练、以EfficientNet-B0为骨干网络的迁移学习模型,可以直接处理来自射电望远镜的原始、高时间分辨率的数据集,不需要消色散,此方法亦可以应用于FRB侯选体的发现。实验证明,在来自FAST官方网站的数据集测试中,该模型可达到92.0%的召回率以及90.1%的精确率。经对比,本文提出的像素偏移值信号增强算法使得模型的Recall提高了45.8%,Precision提高了17.5%,Accuracy提高了26.3%,以及F1-score提高了31.1%。