从海量的天文观测数据中快速搜寻罕见的快速射电暴(Fast Radio Burst,FRB)事件,干扰缓解是其中一项关键而具有挑战的工作.射频干扰(Radio Frequency Interference,RFI)会淹没真实的天文事件,还会导致搜寻管线输出大量的假阳性候选体.由于干扰来源及其种类的复杂性,目前并没有一种通用的方法可以解决这个问题.为了降低干扰对FRB观测搜寻的影响,分析和研究了南山26m射电望远镜L波段观测数据中的干扰情况,针对主要的窄带干扰和宽带干扰建立了3层次的干扰缓解处理流程,从而有效缓解了观测数据的干扰污染情况.将该流程嵌入到FRB色散动态谱搜寻(Dispersed Dynamic Spectra Search,DDSS)管线中,实验结果表明,搜寻管线的检测率和检测精度得到了进一步的提高.该方法为FRB观测数据干扰缓解处理提供了有价值的参考.
针对目前从海量的快速射电暴(Fast Radio Burst,FRB)候选体中人工筛选FRB事件难以为继的现状,提出了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的FRB候选体分类方法.首先,通过真实的观测数据和仿真FRB组成训练和测试样本集.其次,建立了二输入的深度卷积神经网络模型,并对其进行训练、测试和优化,获取FRB候选体分类器.最后,利用来自脉冲星的单脉冲数据对该分类器的有效性和性能进行了验证.实验结果表明,该方法可以快速从大量候选体中准确识别出单脉冲事件,极大地提高了FRB候选体的处理速率和效率.
快速射电暴(Fast Radio Burst,FRB)是目前射电天文领域的主要热点前沿,相关研究被《自然》(Nature)杂志评选为2020年十大科学发现之一。快速射电暴爆发时间极短且鲜少重复的特点,使其被观测捕捉到的概率极低。由人工从海量的天文观测数据中识别快速射电暴是件耗时费力的工作。机器学习技术的蓬勃发展为实时搜寻与多频段联合跟踪观测快速射电暴带来了可能。从传统机器学习方法和深度学习方法两方面,对该研究已有的成果进行分析与总结,并探讨了目前基于机器学习的快速射电暴搜寻技术存在的问题和面临的挑战,分析了其未来发展趋势。在不久的将来,深度学习技术将更广泛地应用于快速射电暴搜寻,并成为实现高效搜寻快速射电暴的利器。
