基于深度学习的小尺度天体辐射信号处理算法的研究
发布时间：2023-12-24 19:33
在并不遥远的将来,天文学家将能基于迄今为止世界上最大的射电望远镜阵列SKA探测来自宇宙再电离时期(EoR)的信号,研究宇宙的演化历史和第一代天体的形成。然而EoR信号非常微弱且受到宇宙前景辐射信号的干扰,探测的难度巨大。在各类干扰源中,以河外点源为代表的小尺度天体数量巨大,形态复杂且亮度动态范围大,已构成EoR信号探测道路上最大的障碍之一。除此之外,SKA的高灵敏度和高分辨率也将使我们能够探测到更多形态复杂且辐射强度非常微弱的点源,从而进一步影响EoR信号的探测精度。面对海量且复杂的观测数据,传统的信号处理方法存在过于依赖经验、准确率不足和鲁棒性低等弱点。深度学习作为一类重要的以数据驱动的机器学习算法,已借助其优异的特征提取和表征能力,在目标识别、图像分类和模拟等领域取得了卓越表现。本文借助CDA和FIRST等X射线和射电波段的海量观测图像和数据,采用深度学习模型和算法,提出了针对小尺度天体辐射信号的探测、分类以及模拟的闭环信号处理框架和处理算法。本工作的创新点及主要成果包括:1.以钱德拉X射线天文台(CXO)的观测图像为基础,开展了小尺度点源和空洞探测算法的研究,提出了基于椭圆高斯滤...
【文章页数】：184 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词对照表
主要符号对照表
第一章 绪论
1.1 选题背景与研究意义
1.2 前景信号的组成及其特点
1.2.1 大尺度信号—银河系同步辐射与自由-自由辐射
1.2.2 中尺度信号—星系团
1.2.3 小尺度信号—河外点源
1.2.4 小尺度河外点源的理论建模
1.3 相关天文观测与数据库
1.3.1 X射线天文观测与仪器
1.3.2 射电天文观测与仪器
1.3.3 本工作所使用的天文数据库
1.4 深度学习的研究现状及其在天文信号处理中的应用
1.4.1 深度学习的发展历史与应用现状
1.4.2 深度学习在天文信号处理中的应用
1.4.3 本文所使用的深度学习框架
1.5 论文的组织结构
第二章 针对X射线小尺度点源和空洞探测算法的研究
2.1 引言
2.2 X射线小尺度天体辐射信号的探测流程及信号特点
2.2.1 X射线小尺度天体辐射信号的探测流程
2.2.2 点源信号特点及现有探测算法
2.2.3 X射线空洞的特点及现有探测方法
2.3 样本均衡化处理方法
2.4 X射线图像小尺度点源的探测算法
2.4.1 基于椭圆高斯滤波器模板匹配的候选点源定位算法
2.4.2 基于粒度化二叉树支持向量机的点源探测算法
2.5 基于粒度化卷积神经网络的X射线空洞探测算法
2.5.1 X射线空洞分类器的设计
2.5.2 X射线空洞的定位算法
2.6 实验与结果
2.6.1 Chandra观测图像的预处理流程
2.6.2 点源探测算法的测试与结果讨论
2.6.3 X射线空洞探测算法的测试与结果讨论
2.7 本章小结
第三章 基于半监督学习的射电星系形态分类算法的研究
3.1 引言
3.2 射电星系形态分类及样本筛选
3.2.1 射电星系形态及分类
3.2.2 射电星系形态的人工标记流程和样本筛选规则
3.2.3 射电星系样本集的组建
3.3 训练及学习策略
3.3.1 基于迁移学习的训练策略
3.3.2 基于半监督学习的训练策略
3.4 射电星系形态分类网络设计
3.4.1 VGG-X网络
3.4.2 自定义的小规模网络MCRGNet
3.5 实验与结果
3.5.1 FIRST巡天观测图像的预处理流程及相关算法
3.5.2 用于射电星系分类网络训练的数据集准备
3.5.3 用于分类网络训练的损失函数及评估指标
3.5.4 VGG-X网络的训练及结果
3.5.5 MCRGNet的训练与结果
3.5.6 针对unLRG样本的分类结果
3.6 射电星系形态分类算法的对比与实验结果讨论
3.6.1 迁移学习与半监督学习策略的对比与讨论
3.6.2 MCRGNet与人工标记结果的对比
3.6.3 有关单全连接层和64 维特征向量的讨论
3.6.4 射电星系形态分类网络的不确定度分析
3.6.5 FRI和 FRII型射电星系的统计分析与对比
3.7 本章小结
第四章 基于残差学习单元和自动编码器的射电星系形态模拟算法的研究
4.1 引言
4.2 残差卷积学习单元
4.3 基于残差卷积自动编码器和高斯混合模型的算法
4.3.1 残差卷积自动编码器(ResAE)的网络结构
4.3.2 针对ResAE的损失函数与训练策略
4.3.3 基于GMM的特征分布估计与样本生成
4.4 基于残差卷积条件变分自动编码器的算法
4.4.1 变分自动编码器(VAE)
4.4.2 条件变分自动编码器(CVAE)
4.4.3 针对ResCVAE的损失函数与训练策略
4.4.4 基于ResCVAE的射电星系图像生成算法
4.5 实验与算法对比
4.5.1 数据预处理与训练集准备
4.5.2 算法评估指标与评估方法
4.5.3 实验结果与讨论
4.5.4 FRI/II型射电星系的图像模拟
4.6 本章小结
第五章 针对SKA的低频射电天空仿真和观测模拟软件的设计与开发
5.1 针对SKA的低频射电观测仿真和模拟软件的模块构成
5.1.1 低频射电天空仿真模块
5.1.2 针对SKA的观测模拟和成像模块
5.2 河外射电点源仿真模块
5.2.1 射电点源形态生成方法
5.2.2 模拟参数设定与获取方法
5.2.3 坐标系统与投影方式
5.3 本工作中的开发难点与改进方向
5.4 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来研究展望
附录 A t分布随机近邻嵌入(t-SNE)算法
附录 B 针对二叉分类树的结构化概率
附录 C 代码与数据集
C.1 小尺度天体辐射信号的探测算法
C.2 射电星系形态的分类算法
C.3 射电星系形态的生成算法
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目
本文编号：3875169
【文章页数】：184 页
【学位级别】：博士
【文章目录】：
摘要
abstract
缩略词对照表
主要符号对照表
第一章 绪论
1.1 选题背景与研究意义
1.2 前景信号的组成及其特点
1.2.1 大尺度信号—银河系同步辐射与自由-自由辐射
1.2.2 中尺度信号—星系团
1.2.3 小尺度信号—河外点源
1.2.4 小尺度河外点源的理论建模
1.3 相关天文观测与数据库
1.3.1 X射线天文观测与仪器
1.3.2 射电天文观测与仪器
1.3.3 本工作所使用的天文数据库
1.4 深度学习的研究现状及其在天文信号处理中的应用
1.4.1 深度学习的发展历史与应用现状
1.4.2 深度学习在天文信号处理中的应用
1.4.3 本文所使用的深度学习框架
1.5 论文的组织结构
第二章 针对X射线小尺度点源和空洞探测算法的研究
2.1 引言
2.2 X射线小尺度天体辐射信号的探测流程及信号特点
2.2.1 X射线小尺度天体辐射信号的探测流程
2.2.2 点源信号特点及现有探测算法
2.2.3 X射线空洞的特点及现有探测方法
2.3 样本均衡化处理方法
2.4 X射线图像小尺度点源的探测算法
2.4.1 基于椭圆高斯滤波器模板匹配的候选点源定位算法
2.4.2 基于粒度化二叉树支持向量机的点源探测算法
2.5 基于粒度化卷积神经网络的X射线空洞探测算法
2.5.1 X射线空洞分类器的设计
2.5.2 X射线空洞的定位算法
2.6 实验与结果
2.6.1 Chandra观测图像的预处理流程
2.6.2 点源探测算法的测试与结果讨论
2.6.3 X射线空洞探测算法的测试与结果讨论
2.7 本章小结
第三章 基于半监督学习的射电星系形态分类算法的研究
3.1 引言
3.2 射电星系形态分类及样本筛选
3.2.1 射电星系形态及分类
3.2.2 射电星系形态的人工标记流程和样本筛选规则
3.2.3 射电星系样本集的组建
3.3 训练及学习策略
3.3.1 基于迁移学习的训练策略
3.3.2 基于半监督学习的训练策略
3.4 射电星系形态分类网络设计
3.4.1 VGG-X网络
3.4.2 自定义的小规模网络MCRGNet
3.5 实验与结果
3.5.1 FIRST巡天观测图像的预处理流程及相关算法
3.5.2 用于射电星系分类网络训练的数据集准备
3.5.3 用于分类网络训练的损失函数及评估指标
3.5.4 VGG-X网络的训练及结果
3.5.5 MCRGNet的训练与结果
3.5.6 针对unLRG样本的分类结果
3.6 射电星系形态分类算法的对比与实验结果讨论
3.6.1 迁移学习与半监督学习策略的对比与讨论
3.6.2 MCRGNet与人工标记结果的对比
3.6.3 有关单全连接层和64 维特征向量的讨论
3.6.4 射电星系形态分类网络的不确定度分析
3.6.5 FRI和 FRII型射电星系的统计分析与对比
3.7 本章小结
第四章 基于残差学习单元和自动编码器的射电星系形态模拟算法的研究
4.1 引言
4.2 残差卷积学习单元
4.3 基于残差卷积自动编码器和高斯混合模型的算法
4.3.1 残差卷积自动编码器(ResAE)的网络结构
4.3.2 针对ResAE的损失函数与训练策略
4.3.3 基于GMM的特征分布估计与样本生成
4.4 基于残差卷积条件变分自动编码器的算法
4.4.1 变分自动编码器(VAE)
4.4.2 条件变分自动编码器(CVAE)
4.4.3 针对ResCVAE的损失函数与训练策略
4.4.4 基于ResCVAE的射电星系图像生成算法
4.5 实验与算法对比
4.5.1 数据预处理与训练集准备
4.5.2 算法评估指标与评估方法
4.5.3 实验结果与讨论
4.5.4 FRI/II型射电星系的图像模拟
4.6 本章小结
第五章 针对SKA的低频射电天空仿真和观测模拟软件的设计与开发
5.1 针对SKA的低频射电观测仿真和模拟软件的模块构成
5.1.1 低频射电天空仿真模块
5.1.2 针对SKA的观测模拟和成像模块
5.2 河外射电点源仿真模块
5.2.1 射电点源形态生成方法
5.2.2 模拟参数设定与获取方法
5.2.3 坐标系统与投影方式
5.3 本工作中的开发难点与改进方向
5.4 本章小结
第六章 总结与展望
6.1 本文工作总结
6.2 未来研究展望
附录 A t分布随机近邻嵌入(t-SNE)算法
附录 B 针对二叉分类树的结构化概率
附录 C 代码与数据集
C.1 小尺度天体辐射信号的探测算法
C.2 射电星系形态的分类算法
C.3 射电星系形态的生成算法
参考文献
致谢
攻读学位期间发表的学术论文
攻读学位期间参与的项目
本文编号：3875169
本文链接：https://www.wllwen.com/shoufeilunwen/xxkjbs/3875169.html