Maschinelles Lernen schlägt Spectrumanalyzer!

Naive Idee: Mann hat bereits 200 Positivbeispiele und praktisch beliebig 
viele Negativbeispiele, also hat man ein simples 
Klassifizierungsproblem, auf das man ein NN ansetzen kann.

Zumindest diese Funde wären dann sicherlich durch andere Parameterwahl 
auch auf herkömmliche Weise möglich, aber dazu müsste man die Parameter 
vorher kennen.

Ein NN kann man einfach mal auf gut Glück rödeln lassen, bis einem die 
Trefferquote niedrig genug ist um sie händisch zu begutachten.

c r schrieb:
> Zumindest diese Funde wären dann sicherlich durch andere Parameterwahl
> auch auf herkömmliche Weise möglich, aber dazu müsste man die Parameter
> vorher kennen.

Die Parameter sind bekannt:
*Burstbreite  < 99 ms
*Signalstärke > 25 Jansky
*Pulsprofil: symmetrisch, dreiecksförmig

Die konkreten Zahlenwerte sind aus der populärwissenschaftlichen 
Darstellung beschätzt

Der Datensatz wurde nach einen genau definierten Muster, einem sehr 
kurzem, starken Radio-Burst durchmustert. Also in Analogie ein plötzlich 
kurz, hell aufleuchtender Stern - das unterscheidet sich so stark und 
Spektakulär vom Normazustand, da muss man nicht erst eine Intelligenz 
bemühen, die das Gras wachsen hört.

Joe G. schrieb:
> Vielleicht hilft das Originalpaper [1].
>
> [1] http://blpd0.ssl.berkeley.edu/frb-machine/CNNFRB_eprint.pdf

Ja danke, das ist sehr viel aussagekräftiger, weil es deutlich macht, 
daß die Detektions-Aufgabe über ein Wasserfalldiagramm in eine simple 
Bild/Mustererkennungsaufgabe überführt wurde.

Und es wird deutlich, das das Hauptmerkmal bei der Erkennung weder 
Signalstärke noch Burstdauer ist, sondern die Dispersion, die im 
angesprochenen Diagramm als schräge Linie erkennbar wird. Die zum 
Vergleich herangezogenen "konventionellen" Verfahren werden 
überraschenderweise erste wenige Jahre angewandt.

Mal sehen was noch an Erkenntnissen betreffs der Nutzbarkeit von KNN in 
der Signalverarbeitung rüberkommt, hab jetztz erst nur ein Viertel 
gelesen.