1/f Noise Analysis for FAST HI Intensity Mapping Drift-Scan Experiment
Auteurs : Wenkai Hu, Yichao Li, Yougang Wang, Fengquan Wu, Bo Zhang, Ming Zhu, Shifan Zuo, Guilaine Lagache, Yinzhe Ma, Mario G. Santos, Xuelei Chen
Résumé : We investigate the 1/f noise of the Five-hundred-meter Aperture Spherical Telescope (FAST) receiver system using drift-scan data from an intensity mapping pilot survey. All the 19 beams have 1/f fluctuations with similar structures. Both the temporal and the 2D power spectrum densities are estimated. The correlations directly seen in the time series data at low frequency $f$ are associated with the sky signal, perhaps due to a coupling between the foreground and the system response. We use Singular Value Decomposition (SVD) to subtract the foreground. By removing the strongest components, the measured 1/f noise power can be reduced significantly. With 20 modes subtraction, the knee frequency of the 1/f noise in a 10 MHz band is reduced to $1.8 \times 10^{-3}\Hz$, well below the thermal noise over 500-seconds time scale. The 2D power spectra show that the 1/f-type variations are restricted to a small region in the time-frequency space and the correlations in frequency can be suppressed with SVD modes subtraction. The residual 1/f noise after the SVD mode subtraction is uncorrelated in frequency, and a simple noise diode frequency-independent calibration of the receiver gain at 8s interval does not affect the results. The 1/f noise can be important for HI intensity mapping, we estimate that the 1/f noise has a knee frequency $(f_{k}) \sim$ 6 $\times$ 10$^{-4}$Hz, and time and frequency correlation spectral indices $(\alpha) \sim 0.65$, $(\beta) \sim 0.8$ after the SVD subtraction of 30 modes. This can bias the HI power spectrum measurement by 10 percent.
Explorez l'arbre d'article
Cliquez sur les nœuds de l'arborescence pour être redirigé vers un article donné et accéder à leurs résumés et assistant virtuel
Recherchez des articles similaires (en version bêta)
En cliquant sur le bouton ci-dessus, notre algorithme analysera tous les articles de notre base de données pour trouver le plus proche en fonction du contenu des articles complets et pas seulement des métadonnées. Veuillez noter que cela ne fonctionne que pour les articles pour lesquels nous avons généré des résumés et que vous pouvez le réexécuter de temps en temps pour obtenir un résultat plus précis pendant que notre base de données s'agrandit.