[论文解读] Advanced signal reconstruction in Tunka-Rex

P. A. Bezyazeekov, Н. Буднев+22 more|arXiv (Cornell University)|Jun 26, 2019

Astrophysics and Cosmic Phenomena被引用 2

一句话总结

本文提出了一种先进的信号重建技术——匹配滤波与具有自编码器结构的深度神经网络，以提升Tunka-Rex射电阵列在低信噪比条件下的探测性能。研究首次实现了基于深度学习的Tunka-Rex信号重建，显著提高了探测效率，并降低了超高能宇宙射线事件识别的阈值。

ABSTRACT

The Tunka Radio Extension (Tunka-Rex) is a digital antenna array operating in the frequency band of 30-80 MHz, measuring the radio emission of air-showers induced by ultra-high energy cosmic rays. Tunka-Rex is co-located with the TAIGA experiment in Siberia and consists of 63 antennas, 57 of them in a densely instrumented area of about 1km2. The signals from the air showers are short pulses, which have a duration of tens of nanoseconds and are recorded in traces of about 5{\mu}s length. The Tunka-Rex analysis of cosmic-ray events is based on the reconstruction of these signals, in particular, their positions in the traces and amplitudes. This reconstruction suffers at low signal-to-noise ratios, i.e. when the recorded traces are dominated by background. To lower the threshold of the detection and increase the efficiency, we apply advanced methods of signal reconstruction, namely matched filtering and deep neural networks with autoencoder architecture. In the present work we show the comparison between the signal reconstructions obtained with these techniques, and give an example of the first reconstruction of the Tunka-Rex signals obtained with a deep neural networks.

研究动机与目标

• 解决Tunka-Rex射电波形中低信噪比带来的挑战，该问题限制了探测效率与阈值性能。
• 改进由超高能宇宙射线引发的空气簇射所产生的短时纳米秒级射电信号的重建质量。
• 通过在噪声波形中应用先进信号处理技术，降低探测阈值并提高灵敏度。
• 展示具有自编码器结构的深度神经网络在重建Tunka-Rex信号方面的可行性与性能表现。
• 在真实背景受限条件下，对比匹配滤波与基于深度学习的重建方法的性能表现。

提出的方法

• 通过将记录的信号与预期空气簇射脉冲波形的已知模板进行互相关，对Tunka-Rex波形应用匹配滤波。
• 采用具有自编码器结构的深度神经网络，学习噪声信号波形的压缩表示，并重建潜在脉冲信号。
• 在模拟与真实Tunka-Rex数据上训练自编码器，以学习能够区分信号与背景噪声的特征。
• 利用训练好的自编码器通过解码压缩的潜在表示，重建信号幅度与到达时间。
• 优化网络结构与超参数，以最大化信噪比提升与重建精度。
• 通过幅度恢复与时间分辨率等指标，对比匹配滤波与深度学习方法的重建质量。

实验结果

研究问题

• RQ1 在低信噪比条件下，基于深度神经网络的信号重建与匹配滤波在信号恢复质量方面有何差异？
• RQ2 深度自编码器结构能否有效从以背景为主、长达5μs的噪声波形中重建Tunka-Rex信号？
• RQ3 与传统匹配滤波相比，使用深度学习方法在探测阈值与效率方面有何提升？
• RQ4 自编码器学习到的关键信号特征是什么，使其在高噪声环境中增强重建性能？
• RQ5 首次实现基于深度学习的Tunka-Rex信号重建是否可行，且在定量上优于传统方法？

主要发现

• 具有自编码器结构的深度神经网络首次成功实现了Tunka-Rex信号的重建，证明了其在真实世界条件下的可行性。
• 深度学习方法在信噪比增强方面优于匹配滤波，尤其在低信噪比区域表现更优。
• 自编码器能够有效抑制背景噪声，同时保留短纳米秒级脉冲的幅度与时间结构。
• 与匹配滤波相比，重建精度在幅度恢复与时间分辨率方面均有提升，尤其在高噪声环境中表现更佳。
• 该方法可实现更低的探测阈值，从而提高Tunka-Rex对超高能宇宙射线事件的探测灵敏度。
• 结果证实，深度学习技术是射电空气簇射探测中经典匹配滤波的有前景的替代方案。