Arkiverad | Bygg en bildklassificerare som hjälper dig att söka efter utomjordiskt liv

Sammanfattning

I detta utvecklarmönster kommer vi att konvertera radiosignaldata till bilder så att vi kan behandla detta som ett bildklassificeringsproblem. Sedan tränar vi en bildklassificerare med TensorFlow med ett konvolutionellt neuralt nätverk. Vi använder Jupyter Notebooks på PowerAI för att demonstrera modellträning och testning.

Beskrivning

Varje natt, med hjälp av Allen Telescope Array i norra Kalifornien, skannar SETI-institutet himlen vid olika radiofrekvenser, observerar stjärnsystem med kända exoplaneter och söker efter svaga men ihållande signaler. Det aktuella signaldetekteringssystemet är programmerat att endast söka efter särskilda typer av signaler: smalbandiga bärvågor. Detektionssystemet utlöser dock ibland signaler som inte är smalbandiga signaler (med okänd effektivitet) och som inte heller är explicit känd radiofrekvensstörning. Det verkar finnas olika kategorier av den här typen av händelser som har observerats.

Vårt mål är att korrekt klassificera dessa i realtid. Detta kan göra det möjligt för signaldetekteringssystemet att fatta bättre observationsbeslut, öka effektiviteten av de nattliga skanningarna och möjliggöra explicit detektering av dessa andra signaltyper. För mer information, se SETI hackathon på GitHub.

När du har slutfört det här mönstret kommer du att förstå hur du:

• Konvertera signaldata till bilddata
• Bygg och träna ett konvolutionellt neuralt nätverk
• Visa och dela resultat i Jupyter Notebooks

Flöde

1. Ladda de medföljande bärbara datorerna för att köras på ett PowerAI-system på Nimbix Cloud.
2. SETI-datauppsättningen visar ett användningsfall för att känna igen olika klasser av radiosignaler från yttre rymden.
3. Träningsanteckningsboken använder TensorFlow med konvolutionerande neurala nätverk för att träna en modell och bygga en klassificerare.
4. Prediktionsanteckningsboken visar klassificerarens noggrannhet.

Instruktioner

Hitta detaljer för följande steg i README:

1. Få 24 timmars fri tillgång till PowerAI-plattformen
2. Öppna och starta Jupyter Notebooks
3. Kör anteckningsböckerna
4. Analysera resultaten
5. Spara och dela
6. Avsluta din rättegång

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