Please use this identifier to cite or link to this item:
http://hdl.handle.net/20.500.12386/33542
Title: | Progetto di tirocinio laurea triennale in Fisica: Rilevamento automatico di scariche atmosferiche registrate negli spettrogrammi ‘CALLISTO’ tramite tecniche di machine-learning/deep-learning | Authors: | MARASSI, Alessandro Perin, Nicola Milan, Andrea Longo, Francesco |
Issue Date: | 2023 | Series: | INAF Technical Reports - Rapporti Tecnici INAF | Report: | 266 | Abstract: | Un solar radio burst (SRB) è un’ intensa emissione radio solare spesso correlata a un brillamento solare. Il rilevamento di SRBs puo’ essere effettuato tramite radiometri e spettrometri terrestri. CALLISTO e' uno spettrometro a basso costo progettato presso il Politecnico di Zurigo. Gli strumenti CALLISTO attivi in questo momento sono 67, distribuiti in tutto il mondo e permettono il monitoraggio delle emissioni radio solari 24h/7 tramite la rete e-Callisto http://www.e-callisto.org/. La Stazione Osservativa di Basovizza di INAF – Osservatorio Astronomico di Trieste e’ equipaggiata con tre spettrometri tipo CALLISTO operanti rispettivamente nelle bande VHF, UHF, L. E’ attivo anche un sistema sperimentale di rilevamento automatico di SRBs. I radiospettri acquisiti dagli spettrometri sono purtroppo affetti da disturbi ed interferenze a radio frequenza (RFI) che a volte vengono interpretati dal sistema come burst/falsi positivi. Tra questi le scariche atmosferiche, rilevate dagli spettrometri come emissioni lineari su tutto lo spettro. Il loro riconoscimento ed eliminazione puo’ contribuire in maniera importante a diminuire il numero di falsi positivi rilevati. Tra i vari possibili metodi di riconoscimento, tenuto anche conto del numero di eventi a disposizione per costruire un training set di numerosità adeguata, si e’ pensato di usare un sistema basato sul deep learning. Il lavoro effettuato nell’ambito del tirocinio, dopo l’acquisizione delle necessarie conoscenze di base (solar radio burst, documentazione CALLISTO, reti neurali, deep-learning) ha consentito la costruzione di training/test set di eventi ed una sperimentazione pilota su dati limitati con sviluppo ed esecuzione di modelli Keras su una virtual machine Virtualbox Ubuntu64 18.04 LTS, precedentemente installata ed attrezzata con librerie TensorFlow/Keras, propedeutica ad una sperimentazione completa su una Deep-Learning Machine fisica dedicata (CPU Xeon + GPU NVIDIA Quadro P4000). | URI: | http://hdl.handle.net/20.500.12386/33542 https://doi.org/10.20371/INAF/TechRep/266 |
Fulltext: | open |
Appears in Collections: | 4.01 Rapporti tecnici INAF |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
scaricheAtmosferiche1.pdf | 733.56 kB | Adobe PDF | View/Open |
Page view(s)
65
checked on Apr 30, 2024
Download(s)
45
checked on Apr 30, 2024
Google ScholarTM
Check
Items in DSpace are published in Open Access, unless otherwise indicated.