Lossy Compression of Large-Scale Radio Interferometric Data

要約

タイトル：大規模な無線干渉計データの損失圧縮

要約：

– ベースライン依存性のある損失圧縮技術を利用して可視性データの減少量を提案する。
– マトリックスのランクと低ランク近似が、各基本要素が特定のFourier要素に対応する可視性データを記述することができることを利用する。
– 提案された方法は、すべてのベースラインのデータが同じランクを持つように、ベースラインからのデータ行列のコレクションとして可視性データ全体を表す。
– 単純なSVDとBDSVDという2つのアルゴリズムによって、可視性データ全体の大規模なデータセットが提供された場合、それぞれ正則化したランク-rのデータ行列空間にデータをプロジェクトする。
– MeerKATとEuropean Very Long Baseline Interferometry Networkは、提案手法のパフォーマンスを評価し、伝統的な平均化およびベースライン依存性の平均化（BDA）と比較するために参照望遠鏡として使用された。
– 同じ空間解像度のしきい値では、単純なSVDとBDSVDの両方が、伝統的な平均化およびBDAよりも2桁高い効果的な圧縮を示す。同じスペース節約率で、空間解像度に減少はなく、データのノイズ分散が減少して、視野の端でS / Nが1.5 dB以上改善される。

要約(オリジナル)

This work proposes to reduce visibility data volume using a baseline-dependent lossy compression technique that preserves smearing at the edges of the field-of-view. We exploit the relation of the rank of a matrix and the fact that a low-rank approximation can describe the raw visibility data as a sum of basic components where each basic component corresponds to a specific Fourier component of the sky distribution. As such, the entire visibility data is represented as a collection of data matrices from baselines, instead of a single tensor. The proposed methods are formulated as follows: provided a large dataset of the entire visibility data; the first algorithm, named $simple~SVD$ projects the data into a regular sampling space of rank$-r$ data matrices. In this space, the data for all the baselines has the same rank, which makes the compression factor equal across all baselines. The second algorithm, named $BDSVD$ projects the data into an irregular sampling space of rank$-r_{pq}$ data matrices. The subscript $pq$ indicates that the rank of the data matrix varies across baselines $pq$, which makes the compression factor baseline-dependent. MeerKAT and the European Very Long Baseline Interferometry Network are used as reference telescopes to evaluate and compare the performance of the proposed methods against traditional methods, such as traditional averaging and baseline-dependent averaging (BDA). For the same spatial resolution threshold, both $simple~SVD$ and $BDSVD$ show effective compression by two-orders of magnitude higher than traditional averaging and BDA. At the same space-saving rate, there is no decrease in spatial resolution and there is a reduction in the noise variance in the data which improves the S/N to over $1.5$ dB at the edges of the field-of-view.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI