[论文解读] Classification of simulated radio signals using Wide Residual Networks for use in the search for extra-terrestrial intelligence

Grace Cox, S. Egly+4 more|arXiv (Cornell University)|Mar 23, 2018

Fractal and DNA sequence analysis参考文献 4被引用 3

一句话总结

本文提出使用宽残差网络（Wide ResNets）对搜寻地外文明计划（SETI）中的模拟射电信号进行分类，将 spectrograms 视为图像以进行深度学习。该模型在七种类别的未见模拟信号上实现了 95.11% 的平均 F₁ 分数，表现出高准确率，并有潜力取代或补充传统信号检测算法（如 DADD）。

ABSTRACT

We describe a new approach and algorithm for the detection of artificial signals and their classification in the search for extraterrestrial intelligence (SETI). The characteristics of radio signals observed during SETI research are often most apparent when those signals are represented as spectrograms. Additionally, many observed signals tend to share the same characteristics, allowing for sorting of the signals into different classes. For this work, complex-valued time-series data were simulated to produce a corpus of 140,000 signals from seven different signal classes. A wide residual neural network was then trained to classify these signal types using the gray-scale 2D spectrogram representation of those signals. An average $F_1$ score of 95.11\% was attained when tested on previously unobserved simulated signals. We also report on the performance of the model across a range of signal amplitudes.

研究动机与目标

• 开发一种用于检测和分类 SETI 研究中人工射电信号的深度学习方法。
• 克服传统信号处理算法（如 DADD）的局限性，后者会产生误报并仅能检测一种信号类型。
• 通过高精度分类多种信号类型，提高 SETI 的效率。
• 在不同信号振幅和真实噪声条件下评估模型性能。
• 探索使用深度学习进行信号参数估计和未来预测的可行性。

提出的方法

• 使用受控参数（包括振幅、频率和频率漂移率）生成了七种类别的模拟时序射电信号。
• 通过短时傅里叶变换（STFT）将每个信号转换为 2D spectrogram，将时域数据转换为频率-时间表示。
• 使用灰度 spectrogram 图像对宽残差神经网络（Wide ResNet）进行训练，以分类信号类型。
• 使用先前未见过的模拟信号测试集评估模型，以衡量泛化性能。
• 通过不同信号振幅下的 F₁ 分数评估模型性能，以评估其鲁棒性。
• 未来扩展包括在更真实的噪声模型上进行训练、多信号检测，以及集成回归头以实现信号参数估计。

实验结果

研究问题

• RQ1 卷积神经网络能否有效从 spectrogram 表示中分类多种类型的人工射电信号？
• RQ2 模型性能在不同信号振幅下如何变化，特别是在检测阈值附近？
• RQ3 深度学习模型能否在检测和分类窄带信号方面优于或补充传统算法（如 DADD）？
• RQ4 CNN 在未见信号类型和噪声条件下的泛化能力如何？
• RQ5 该模型能否扩展以估计信号参数（例如频率、漂移率）以实现未来预测？

主要发现

• Wide ResNet 在未见模拟信号上实现了 95.11% 的平均 F₁ 分数，表明其具有强大的泛化能力和分类准确率。
• 该模型表现出高敏感性和低假阴性率，与 DADD 算法相当，但额外具备分类信号类型的能力。
• 在信号振幅范围的较低端，性能下降，表明存在一个分类准确率下降的检测阈值。
• 该模型通过正确分类原本会被 DADD 标记的信号，有效减少了误报。
• 该方法无需额外的望远镜时间即可实现高效信号分类，从而提高了 SETI 搜索效率。
• 本研究表明，将基于 CNN 的分类与传统回归方法结合，可实现信号参数估计和未来频率预测。