Archiefdatum: 2020-09-30
Deze inhoud wordt niet langer bijgewerkt of onderhouden. De inhoud wordt geleverd 'zoals deze is'. Gezien de snelle evolutie van technologie, is het mogelijk dat bepaalde inhoud, stappen of illustraties zijn gewijzigd.
Samengevat
In dit ontwikkelaarspatroon zullen we radiosignaalgegevens omzetten in afbeeldingen, zodat we dit kunnen behandelen als een probleem met de beeldclassificatie. Vervolgens trainen we een beeldclassificator met behulp van TensorFlow met een convolutioneel neuraal netwerk. We gebruiken Jupyter Notebooks op PowerAI om modeltraining en testen te demonstreren.
Omschrijving
Elke nacht scant het SETI Institute met behulp van de Allen Telescope Array in Noord-Californië de hemel op verschillende radiofrequenties, observeert sterrenstelsels met bekende exoplaneten, op zoek naar zwakke maar aanhoudende signalen. Het huidige signaaldetectiesysteem is geprogrammeerd om alleen naar bepaalde soorten signalen te zoeken: smalbandige draaggolven. Het detectiesysteem activeert echter soms signalen die geen smalbandige signalen zijn (met onbekende efficiëntie) en ook niet expliciet bekende radiofrequentie-interferentie. Er lijken verschillende categorieën van dit soort gebeurtenissen te zijn waargenomen.
Ons doel is om deze in realtime nauwkeurig te classificeren. Hierdoor kan het signaaldetectiesysteem betere waarnemingsbeslissingen nemen, de efficiëntie van de nachtelijke scans verhogen en expliciete detectie van deze andere signaaltypen mogelijk maken. Voor meer informatie, zie SETI-hackathon op GitHub.
Wanneer u dit patroon hebt voltooid, begrijpt u hoe u:
- Zet signaalgegevens om in beeldgegevens
- Bouw en train een convolutioneel neuraal netwerk
- Resultaten weergeven en delen in Jupyter Notebooks
Stroom
- Laad de meegeleverde notebooks om op een PowerAI-systeem op Nimbix Cloud te draaien.
- De SETI-dataset demonstreert een use-case van het herkennen van verschillende klassen radiosignalen uit de ruimte.
- Het trainingsnotitieboekje gebruikt TensorFlow met convolutionele neurale netwerken om een model te trainen en een classificatie te bouwen.
- Het voorspellingsnotitieboekje toont de nauwkeurigheid van de classificator.
Instructies
Vind details voor de volgende stappen in de README:
- Krijg 24 uur gratis toegang tot het PowerAI-platform
- Open en start de Jupyter Notebooks
- Voer de notitieboekjes uit
- Analyseer de resultaten
- Sla op en deel
- Beëindig uw proefperiode
Bron: https://developer.ibm.com/patterns/seti-signal-classification-on-powerai/
- 11
- toegang
- lichaam
- bouw
- Californië
- classificatie
- Cloud
- content
- convolutioneel neuraal netwerk
- Actueel
- gegevens
- Opsporing
- Ontwikkelaar
- doeltreffendheid
- EVENTS
- Evolutie
- exoplaneten
- stroom
- Gratis
- Hackathon
- Hoe
- How To
- HTTPS
- IBM
- beeld
- Laat uw omzet
- informatie
- model
- netwerk
- netwerken
- Neural
- neuraal netwerk
- neurale netwerken
- laptops
- Overige
- de kosmische ruimte
- Patronen
- voorspelling
- Radio
- Resultaten
- lopen
- Ontdek
- Delen
- So
- Tussenruimte
- begin
- system
- Systems
- Technologie
- telescoop
- tensorflow
- Testen
- niet de tijd of
- Trainingen
- behandelen
- golven