Supervised Radio Frequency Interference Detection with SNNs

无线电频率干扰（RFI）是无线电望远镜观测中的重要挑战，来自地球和天体源，会干扰观测。解决RFI需要复杂的启发式算法、手动检查和越来越多的机器学习方法。考虑到无线电天文观测的动态和时间特性，脉冲神经网络（SNNs）成为一种有前途的方法。在本研究中，我们将RFI检测视为一个监督的多变量时间序列分割问题。值得注意的是，我们的研究探讨了无线电天文可见度数据的编码方式，考虑了6种编码方案：速率、延迟、增量调制和三种步进算法的变体。我们在来自Hydrogen Epoch of Reionization Array（HERA）望远镜的模拟数据上训练了一个小型的两层全连接SNN，并进行了大量的超参数优化。结果表明，延迟编码表现出优异的性能，实现了98.8%的每像素准确度和0.761的f1分数。值得注意的是，尽管我们提出的网络结构简单而紧凑，但这些指标接近于当代RFI检测算法的指标。本研究强调了RFI检测作为SNN研究的基准问题的潜力，强调了SNN在解决无线电天文中复杂的时间序列分割任务方面的功效。

基于Spiking Neural Networks的射电天文无线电频率干扰检测

将RFI检测转化为监督式多变量时间序列分割问题，并使用六种编码方案对射电天文能见度数据进行编码，最终采用延迟编码方案，训练一个小型的两层全连接SNN，取得了接近当代RFI检测算法的性能

使用SNN解决动态和时间性的射电天文观测中的复杂时间序列分割问题，提出了六种编码方案并进行了广泛的超参数优化，实验结果表明延迟编码方案表现最佳，性能接近当代RFI检测算法

最近的相关研究包括“Deep Learning for Radio Interferometric Calibration with MeerKAT”和“Real-time Detection and Mitigation of Radio Frequency Interference for the CHIME Pathfinder Telescope using GPUs”