Archiviert | Erstellen Sie einen Bildklassifizierer, um die Suche nach außerirdischem Leben zu erleichtern

Zusammenfassung

In diesem Entwicklermuster werden wir Funksignaldaten in Bilder umwandeln, damit wir dies wie ein Bildklassifizierungsproblem behandeln können. Dann trainieren wir einen Bildklassifikator mithilfe von TensorFlow mit einem Faltungs-Neuronalen Netzwerk. Wir verwenden Jupyter Notebooks auf PowerAI, um Modelltraining und -tests zu demonstrieren.

Beschreibung

Jede Nacht scannt das SETI-Institut mit dem Allen Telescope Array in Nordkalifornien den Himmel bei verschiedenen Radiofrequenzen, beobachtet Sternsysteme mit bekannten Exoplaneten und sucht nach schwachen, aber anhaltenden Signalen. Das aktuelle Signalerkennungssystem ist so programmiert, dass es nur nach bestimmten Arten von Signalen sucht: Schmalband-Trägerwellen. Das Erkennungssystem löst jedoch manchmal bei Signalen aus, die keine Schmalbandsignale sind (mit unbekannter Effizienz) und bei denen es sich auch nicht explizit um bekannte Hochfrequenzstörungen handelt. Es scheint verschiedene Kategorien dieser Art von Ereignissen zu geben, die beobachtet wurden.

Unser Ziel ist es, diese in Echtzeit genau zu klassifizieren. Dadurch kann das Signalerkennungssystem möglicherweise bessere Beobachtungsentscheidungen treffen, die Effizienz der nächtlichen Scans steigern und eine explizite Erkennung dieser anderen Signaltypen ermöglichen. Weitere Informationen finden Sie unter SETI-Hackathon auf GitHub.

Wenn Sie dieses Muster durchgearbeitet haben, wissen Sie, wie Sie:

• Wandeln Sie Signaldaten in Bilddaten um
• Erstellen und trainieren Sie ein Faltungs-Neuronales Netzwerk
• Ergebnisse in Jupyter Notebooks anzeigen und teilen

Flow

1. Laden Sie die bereitgestellten Notebooks, um sie auf einem PowerAI-System in der Nimbix Cloud auszuführen.
2. Der SETI-Datensatz demonstriert einen Anwendungsfall der Erkennung verschiedener Klassen von Funksignalen aus dem Weltraum.
3. Das Trainingsnotizbuch verwendet TensorFlow mit Faltungs-Neuronalen Netzen, um ein Modell zu trainieren und einen Klassifikator zu erstellen.
4. Das Vorhersagenotizbuch demonstriert die Genauigkeit des Klassifikators.

Anweisungen

Einzelheiten zu den folgenden Schritten finden Sie im README:

1. Erhalten Sie 24 Stunden kostenlosen Zugang zur PowerAI-Plattform
2. Greifen Sie auf die Jupyter-Notebooks zu und starten Sie sie
3. Führen Sie die Notebooks aus
4. Analysieren Sie die Ergebnisse
5. Speichern und teilen
6. Beenden Sie Ihre Testversion

Quelle: https://developer.ibm.com/patterns/seti-signal-classification-on-powerai/