CN114549912B - 引力波侯选体筛选方法、装置及存储介质 - Google Patents
引力波侯选体筛选方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114549912B CN114549912B CN202210436894.3A CN202210436894A CN114549912B CN 114549912 B CN114549912 B CN 114549912B CN 202210436894 A CN202210436894 A CN 202210436894A CN 114549912 B CN114549912 B CN 114549912B
- Authority
- CN
- China
- Prior art keywords
- gravitational wave
- candidate screening
- noise ratio
- signal
- observation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012216 screening Methods 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 63
- 230000001427 coherent effect Effects 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 10
- 238000013135 deep learning Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 description 19
- 230000010287 polarization Effects 0.000 description 13
- 238000001514 detection method Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 239000011800 void material Substances 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002087 whitening effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本申请提供一种引力波侯选体筛选方法、装置及存储介质,其中方法包括:确定多探测器联合观测的观测数据的相干信噪比;将所述相干信噪比投射到天区图后得到目标二维图像;将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;所述引力波侯选体筛选模型是基于目标二维图像样本及预先确定的引力波侯选体标签训练后确定的。本申请通过模拟多探测器对同一天区图进行联合观测的观测结果,确定联合观测的相干信噪比,减少了噪声对信号的干扰,提升了观测数据的信噪比,同时结合深度学习算法,利用引力波侯选体筛选模型实现引力波信号的自动筛选识别。
Description
技术领域
本申请涉引力波探测技术领域,尤其涉及一种引力波侯选体筛选确定方法、装置及存储介质。
背景技术
第一个引力波信号(GW150914)是由双黑洞合并引发,首次被激光干涉引力波天文台(Laser Interferometer Gravitational Wave 0bservatory, LIGO)探测得到。
目前在引力波探测过程中,主要采用模板匹配的方法,即通过一个三维空间来定位引力波信号。在搜索引力波信号时可能会遗漏在致密恒星环境中形成的致密双中子星合并所产生的引力波信号,并且模板匹配的方法仍然会得到海量的引力波信号候选体,后续采取人工筛选的方法去寻找真正的引力波信号非常耗时。
发明内容
针对现有技术存在的上述问题,本申请提供一种引力波侯选体筛选方法、装置及存储介质。
第一方面,本申请提供一种引力波侯选体筛选方法,包括:
确定多探测器联合观测的观测数据的相干信噪比;
将所述相干信噪比投射到天区图后得到目标二维图像;
将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;所述引力波侯选体筛选模型是基于目标二维图像样本及预先确定的引力波侯选体标签训练后确定的。
可选地,所述确定多探测器联合观测的观测数据的相干信噪比之前,还包括:
模拟生成引力波信号数据和噪声信号数据,所述引力波信号数据包括带有引力波信号的数据和带有虚假引力波信号的数据,所述虚假引力波信号是指未被全部探测器同时探测到的与引力波信号波形相似的信号;
将所述引力波信号数据注入到噪声数据中,进行去噪处理得到所述观测数据。
可选地,所述确定多探测器联合观测的观测数据的相干信噪比,包括:
基于单个探测器的时间序列信号的内积之和确定多探测器对应的内积;
基于所述多探测器对应的内积构造对数似然函数;
基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比。
可选地,所述基于所述多探测器对应的内积构造对数似然函数,满足如下计算公式:
可选地,所述基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比,满足如下计算公式:
可选地,所述将所述相干信噪比投射到天区图后得到目标二维图像,满足如下计算公式:
其中,表示灵敏度关联矩阵,Z表示探测器的个数,表示第X个探测器的灵敏度编码,和表示第X个探测器在不同方向的极化权重,表示第Y个探测器的灵敏度编码,和表示第Y个探测器在不同方向的极化权重,表示全部探测器的灵敏度编码,和表示全部探测器在不同方向的极化权重。
可选地,所述方法还包括:
基于所述引力波侯选体筛选结果确定所述目标二维图像中包含引力波信号的概率。
第二方面,本申请提供一种引力波侯选体筛选装置,包括:
第一确定模块,用于确定多探测器联合观测的观测数据的相干信噪比;
第一获取模块,用于将所述相干信噪比投射到天区图后得到目标二维图像;
第二获取模块,用于将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果。
第三方面,本申请提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述任一种引力波侯选体筛选方法的步骤。
第四方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述任一种引力波侯选体筛选方法的步骤。
第五方面,本申请还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如第一方面所述任一种引力波侯选体筛选方法的步骤。
本申请提供的引力波侯选体筛选方法及装置,通过模拟多探测器对同一天区图进行联合观测的观测结果,然后通过相干的方法确定联合观测的相干信噪比,减少了噪声对信号的干扰,提升了观测数据的信噪比,同时结合深度学习算法,利用引力波侯选体筛选模型实现引力波信号的自动筛选识别。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的引力波侯选体筛选方法的流程示意图;
图2是本申请实施例提供的引力波侯选体筛选模型的模型训练过程示意图;
图3是本申请实施例提供的引力波侯选体筛选装置的结果示意图;
图4是本申请实施例提供的电子设备的结构示意图。
具体实施方式
为了更好地对本申请实施例中的技术方案进行描述,下面对相关知识进行介绍。
(1)引力波和引力波探测器
引力波是物质和能量的剧烈运动和变化所产生的一种物质波。第一个引力波信号(GW150914)是由双黑洞合并引发,首次被LIGO探测得到。除了LIGO在运行引力波信号探测以外,还有低温引力波探测器(Kamioka Gravitational Wave Detector, KAGRA)等。由于每个探测器的投入成本和建设耗时十分巨大,因此联合观测和多信使引力波信号探测是未来对引力波信号进行探测的一个趋势。
(2)深度学习算法
目前将深度学习算法应用在引力波信号探测中,由于引力波数据来源是基于单探测器获得的信号数据,因此存在观测数据信噪比不高的问题。
(3)模板匹配
目前在引力波探测过程中,主要采用模板匹配的方法,即通过一个三维空间来定位引力波信号。在搜索引力波信号时可能会遗漏在致密恒星环境中形成的致密双中子星合并所产生的引力波信号,并且模板匹配的方法仍然会得到海量的引力波候选体,后续采取人工筛选的方法去寻找真正的引力波信号非常耗时。
针对现有技术存在的上述问题,本申请实施例提供了一种引力波侯选体筛选方法、装置及存储介质,通过模拟多探测器对同一天区图进行联合观测的观测结果,然后通过相干的方法确定联合观测的相干信噪比,减少了噪声对信号的干扰,提升了观测数据的信噪比,同时结合深度学习算法,利用引力波侯选体筛选模型实现引力波信号的自动筛选识别。
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请中的附图,对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
图1是本申请实施例提供的引力波侯选体筛选方法的流程示意图,如图1所示,本申请实施例提供一种引力波侯选体筛选方法,该方法至少包括如下步骤:
步骤101、确定多探测器联合观测的观测数据的相干信噪比。
具体地,通过多个探测器对同一天区进行联合观测,获得该天区的观测数据。然后通过相干的方法计算联合观测的相干信噪比。
相比于单探测器观测得到的信号的信噪比,联合观测通过多个探测器之间相互耦合,减少噪声对信号的干扰,可以提高信号观测的信噪比,即联合观测的相干信噪比。通过对不同探测器获取到的信号进行相干计算,可以提高有用信号(例如引力波信号)的信噪比,从而便于后续的信号处理。
步骤102、将所述相干信噪比投射到天区图后得到目标二维图像。
具体地,将获得的相干信噪比投射到天区图上,得到目标二维图像。将相干信噪比投射到天区图上,是一种数据升维处理,数据升维会带来计算资源的消耗,但是相较于低维的时间序列信号,引力波信号在高维图像上的图像特征更为显著。
步骤103、将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;所述引力波侯选体筛选模型是基于目标二维图像样本及预先确定的引力波侯选体标签训练后确定的。
具体地,将投射得到的目标二维图像输入到训练好的深度学习分类模型,即引力波侯选体筛选模型,可以实现引力波信号的自动探测和筛选。引力波侯选体筛选模型可以判断出输入图像中是否包含引力波信号。
在执行步骤103之前,需要构建出上述引力波侯选体筛选模型。首先需要采集目标二维图像样本,并创建神经网络模型。其中,目标二维图像样本通过如下方式获取:模拟多探测器联合观测获得观测数据的相干信噪比,然后将相干信噪比数据投射到天区图上获得目标二维图像样本,然后分别确定每一目标二维图像对应的引力波侯选体标签(例如,引力波侯选体分类标签为0(不包含引力波信号)、1(包含虚假引力波信号)、2(包含引力波信号));多个目标二维图像样本及对应的引力波侯选体标签组成训练样本。其中,神经网络模型可以选择为卷积神经网络(Convolutional Neural Networks, CNN),但本申请实施例中对神经网络模型的类型并不作出限定。
本申请实施例提供的引力波侯选体筛选方法,通过模拟多探测器对同一天区图进行联合观测的观测结果,确定联合观测的相干信噪比,减少了噪声对信号的干扰,提升了观测数据的信噪比,同时结合深度学习算法,利用引力波侯选体筛选模型实现引力波信号的自动筛选识别。
可选地,所述确定多探测器联合观测的观测数据的相干信噪比之前,还包括:
模拟生成引力波信号数据和噪声信号数据,所述引力波信号数据包括带有引力波信号的数据和带有虚假引力波信号的数据,所述虚假引力波信号是指未被全部探测器同时探测到的与引力波信号波形相似的信号;
将所述引力波信号数据注入到噪声数据中,进行去噪处理得到所述观测数据。
具体地,在确定多探测器联合观测的观测数据的相干信噪比之前,需要获取多探测器联合观测的观测数据。
首先,模拟数据生成,模拟引力波信号数据和噪声信号数据,将引力波信号数据注入到噪声数据中,通过去噪处理来提升观测数据的信噪比。
可选地,去噪处理包括快速傅里叶变换、白化、带通滤波等操作。
可选地,引力波信号数据包括带有引力波信号的数据和带有虚假引力波信号的数据。目前基于单探测器的引力波信号探测方法中,主要对时间序列信号数据进行处理,当将多个探测器联合观测的观测数据投射到天区图上时,一维的时间序列信号数据升维为目标二维图像,虚假引力波信号和真实的引力波信号在图像特征上存在明显的区别。
虚假引力波信号是未被全部探测器同时探测到的与引力波信号波形相似的信号。例如,在3个探测器联合探测的场景下,若存在仅被其中一个探测器探测到与引力波信号波形相似的干扰信号,而其它探测器并未探测到该干扰信号,则可以认为该干扰信号为虚假引力波信号。
再例如,在5个探测器联合探测的场景下,若存在2个探测器探测到了与引力波信号波形相似的干扰信号,而其它探测器并未探测到该干扰信号,则可以认为该干扰信号为虚假引力波信号。
本申请实施例提供的引力波侯选体筛选方法,通过联合观测提升观测数据的信噪比的同时,通过去噪处理进一步提升观测数据的信噪比,同时通过将多探测器联合观测的观测数据投射到天区图上,使得可以通过引力波侯选体筛选模型对虚假引力波信号进行自动筛选。
可选地,所述确定多探测器联合观测的观测数据的相干信噪比,包括:
基于单个探测器的时间序列信号的内积之和确定多探测器对应的内积;
基于所述多探测器对应的内积构造对数似然函数;
基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比。
具体地,在多探测器联合观测的场景下,通过相干计算得到探测器联合观测的观测数据的相干信噪比,以获得相较于单探测器探测引力波信号时更高的观测数据的信噪比。
对于由多个探测器组成的网络,多探测器的内积可以表示为单个探测器的内积之和。多探测器的内积之和满足如下计算公式:
可选地,基于多探测器对应的内积构造对数似然函数,满足如下计算公式:
波形矢量的内积矩阵满足如下计算公式:
可选地,基于对数似然函数确定多探测器联合观测的观测数据的相干信噪比,满足如下计算公式:
可选地,将所述相干信噪比投射到天区图后得到目标二维图像,满足如下计算公式:
其中,表示灵敏度关联矩阵,Z表示探测器的个数,表示第X个探测器的灵敏度编码,和表示第X个探测器在不同方向的极化权重,表示第Y个探测器的灵敏度编码,和表示第Y个探测器在不同方向的极化权重,表示全部探测器的灵敏度编码,和表示全部探测器在不同方向的极化权重。
将投射得到的目标二维图像输入到引力波侯选体筛选模型中进行训练,训练好的引力波侯选体筛选模型可以实现引力波侯选体的自动筛选,实现引力波信号的自动探测。
可选地,所述方法还包括:
基于所述引力波侯选体筛选结果确定所述目标二维图像中包含引力波信号的概率。
具体地,引力波侯选体筛选模型最后判断输入的目标二维图像中是否包含引力波信号,得到引力波侯选体筛选结果。根据引力波侯选体筛选结果可以确定输入的目标二维图像中包含有引力波信号的图像的概率。
下面以一个具体的示例说明本申请提供的引力波侯选体筛选方法。
示例一:本申请实施例提供一种引力波侯选体筛选方法,该方法包括以下步骤:
步骤201、模拟数据生成。首先模拟引力波信号数据以及噪声信号数据,并将引力波信号数据注入到噪声数据中,通过去噪工作和计算多探测器的相干信噪比来提升观测数据的信噪比。其中去噪工作主要包括快速傅里叶变换、白化、带通滤波等对信号的操作。
步骤202、模型训练。先计算多探测器联合观测的观测数据的相干信噪比,然后将相干信噪比投射到天区图后得到目标二维图像样本。将得到的目标二维图像输入到引力波侯选体筛选模型中进行训练,当引力波侯选体筛选模型收敛后,保存训练好的引力波侯选体筛选模型。
图2是本申请实施例提供的引力波侯选体筛选模型的模型训练过程示意图,如图2所示,网络总共有10层,模型输入(I-input)的维度是64×64,D@表示膨胀率(DilationRate)。目标二维图像输入到引力波侯选体筛选模型后依次进行如下处理:
第一层卷积,线性整流函数(Rectified Linear Unit, ReLU)激活;第二层卷积,ReLU激活;第三层卷积,ReLU激活;第四层卷积,ReLU激活;第五层卷积,ReLU激活;第六层卷积,ReLU激活;全连接层,最后通过归一化指数函数Softmax进行分类。
其中,神经网络各层的参数如下:
空洞卷积层1的卷积核大小为3×3,膨胀率为1,特征图个数为64;
空洞卷积层2的卷积核大小为3×3,膨胀率为2,特征图个数为64;
空洞卷积层3的卷积核大小为3×3,膨胀率为1,特征图个数为64;
空洞卷积层4的卷积核大小为3×3,膨胀率为1,特征图个数为64;
空洞卷积层5的卷积核大小为3×3,膨胀率为2,特征图个数为32;
空洞卷积层6的卷积核大小为3×3,膨胀率为5,特征图个数为32;
全连接层节点数为4。
步骤203、模型应用。首先计算多探测器联合观测的观测数据的相干信噪比,然后将相干信噪比投射到天区图后得到目标二维图像,最后将目标二维图像输入到步骤202训练好的引力波侯选体筛选模型中,引力波侯选体筛选模型最后判断出输入信号中是否包含引力波信号,以及包含引力波信号的概率。
下面对本申请提供的引力波侯选体筛选装置进行描述,下文描述的引力波侯选体筛选装置与上文描述的引力波侯选体筛选方法可相互对应参照。
图3是本申请实施例提供的引力波侯选体筛选装置的结果示意图,如图3所示,本申请实施例提供一种引力波侯选体筛选装置,该装置包括:
第一确定模块301,用于确定多探测器联合观测的观测数据的相干信噪比;
第一获取模块302,用于将所述相干信噪比投射到天区图后得到目标二维图像;
第二获取模块303,用于将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果。
可选地,所述装置还包括:
模拟模块,用于模拟生成引力波信号数据和噪声信号数据,所述引力波信号数据包括带有引力波信号的数据和带有虚假引力波信号的数据,所述虚假引力波信号是指未被全部探测器同时探测到的与引力波信号波形相似的信号;
处理模块,用于将所述引力波信号数据注入到噪声数据中,进行去噪处理得到所述观测数据。
可选地,所述第一确定模块还用于:
基于单个探测器的时间序列信号的内积之和确定多探测器对应的内积;
基于所述多探测器对应的内积构造对数似然函数;
基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比。
可选地,所述基于所述多探测器对应的内积构造对数似然函数,满足如下计算公式:
可选地,所述基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比,满足如下计算公式:
可选地,所述将所述相干信噪比投射到天区图后得到目标二维图像,满足如下计算公式:
其中,表示灵敏度关联矩阵,Z表示探测器的个数,表示第X个探测器的灵敏度编码,和表示第X个探测器在不同方向的极化权重,表示第Y个探测器的灵敏度编码,和表示第Y个探测器在不同方向的极化权重,表示全部探测器的灵敏度编码,和表示全部探测器在不同方向的极化权重。
可选地,所述装置还包括:
第二确定模块,用于基于所述引力波侯选体筛选结果确定所述目标二维图像中包含引力波信号的概率。
在此需要说明的是,本申请实施例提供的上述装置,能够实现上述方法实施例所实现的所有方法步骤,且能够达到相同的技术效果,在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
图4是本申请实施例提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)401、通信接口(Communications Interface)402、存储器(memory)403和通信总线404,其中,处理器401,通信接口402,存储器403通过通信总线404完成相互间的通信。处理器401可以调用存储器403中的逻辑指令,以执行引力波侯选体筛选方法,该方法包括:
确定多探测器联合观测的观测数据的相干信噪比;
将所述相干信噪比投射到天区图后得到目标二维图像;
将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;所述引力波侯选体筛选模型是基于目标二维图像样本及预先确定的引力波侯选体标签训练后确定的。
可选地,所述确定多探测器联合观测的观测数据的相干信噪比之前,还包括:
模拟生成引力波信号数据和噪声信号数据,所述引力波信号数据包括带有引力波信号的数据和带有虚假引力波信号的数据,所述虚假引力波信号是指未被全部探测器同时探测到的与引力波信号波形相似的信号;
将所述引力波信号数据注入到噪声数据中,进行去噪处理得到所述观测数据。
可选地,所述确定多探测器联合观测的观测数据的相干信噪比,包括:
基于单个探测器的时间序列信号的内积之和确定多探测器对应的内积;
基于所述多探测器对应的内积构造对数似然函数;
基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比。
可选地,所述基于所述多探测器对应的内积构造对数似然函数,满足如下计算公式:
可选地,所述基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比,满足如下计算公式:
可选地,所述将所述相干信噪比投射到天区图后得到目标二维图像,满足如下计算公式:
其中,表示灵敏度关联矩阵,Z表示探测器的个数,表示第X个探测器的灵敏度编码,和表示第X个探测器在不同方向的极化权重,表示第Y个探测器的灵敏度编码,和表示第Y个探测器在不同方向的极化权重,表示全部探测器的灵敏度编码,和表示全部探测器在不同方向的极化权重。
可选地,所述方法还包括:
基于所述引力波侯选体筛选结果确定所述目标二维图像中包含引力波信号的概率。
此外,上述的存储器403中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本申请还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的以执行引力波侯选体筛选方法,该方法包括:
确定多探测器联合观测的观测数据的相干信噪比;
将所述相干信噪比投射到天区图后得到目标二维图像;
将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;所述引力波侯选体筛选模型是基于目标二维图像样本及预先确定的引力波侯选体标签训练后确定的。
又一方面,本申请还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的以执行引力波侯选体筛选方法,该方法包括:
确定多探测器联合观测的观测数据的相干信噪比;
将所述相干信噪比投射到天区图后得到目标二维图像;
将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;所述引力波侯选体筛选模型是基于目标二维图像样本及预先确定的引力波侯选体标签训练后确定的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (6)
1.一种引力波侯选体筛选方法,其特征在于,包括:
确定多探测器联合观测的观测数据的相干信噪比;
将所述相干信噪比投射到天区图后得到目标二维图像;
将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;所述引力波侯选体筛选模型是基于目标二维图像样本及预先确定的引力波侯选体标签训练后确定的;
所述确定多探测器联合观测的观测数据的相干信噪比,包括:
基于单个探测器的时间序列信号的内积之和确定多探测器对应的内积;
基于所述多探测器对应的内积构造对数似然函数;
基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比;
所述基于所述多探测器对应的内积构造对数似然函数,满足如下计算公式:
所述基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比,满足如下计算公式:
2.根据权利要求1所述的引力波侯选体筛选方法,其特征在于,所述确定多探测器联合观测的观测数据的相干信噪比之前,还包括:
模拟生成引力波信号数据和噪声信号数据,所述引力波信号数据包括带有引力波信号的数据和带有虚假引力波信号的数据,所述虚假引力波信号是指未被全部探测器同时探测到的与引力波信号波形相似的信号;
将所述引力波信号数据注入到噪声数据中,进行去噪处理得到所述观测数据。
3.根据权利要求1所述的引力波侯选体筛选方法,其特征在于,所述方法还包括:
基于所述引力波侯选体筛选结果确定所述目标二维图像中包含引力波信号的概率。
4.一种引力波侯选体筛选体装置,其特征在于,包括:
第一确定模块,用于确定多探测器联合观测的观测数据的相干信噪比;
第一获取模块,用于将所述相干信噪比投射到天区图后得到目标二维图像;
第二获取模块,用于将所述目标二维图像输入至引力波侯选体筛选模型,得到所述引力波侯选体筛选模型输出的引力波侯选体筛选结果;
所述第一确定模块还用于:
基于单个探测器的时间序列信号的内积之和确定多探测器对应的内积;
基于所述多探测器对应的内积构造对数似然函数;
基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比;
所述基于所述多探测器对应的内积构造对数似然函数,满足如下计算公式:
所述基于所述对数似然函数确定多探测器联合观测的观测数据的相干信噪比,满足如下计算公式:
5.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至3任一项所述引力波侯选体筛选方法的步骤。
6.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述引力波侯选体筛选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436894.3A CN114549912B (zh) | 2022-04-25 | 2022-04-25 | 引力波侯选体筛选方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210436894.3A CN114549912B (zh) | 2022-04-25 | 2022-04-25 | 引力波侯选体筛选方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114549912A CN114549912A (zh) | 2022-05-27 |
CN114549912B true CN114549912B (zh) | 2022-07-15 |
Family
ID=81667201
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210436894.3A Active CN114549912B (zh) | 2022-04-25 | 2022-04-25 | 引力波侯选体筛选方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114549912B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687356A (zh) * | 2021-09-16 | 2021-11-23 | 中国科学院空天信息创新研究院 | 一种机载多通道圆迹sar运动目标检测与估计方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9825698B2 (en) * | 2014-12-09 | 2017-11-21 | Viavi Solutions Inc. | Determining in-band optical signal-to-noise ratio in polarization-multiplexed optical signals using signal correlations |
US20200110185A1 (en) * | 2018-10-05 | 2020-04-09 | Es Xplore, L.L.C. | Passive electroseismic surveying |
-
2022
- 2022-04-25 CN CN202210436894.3A patent/CN114549912B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113687356A (zh) * | 2021-09-16 | 2021-11-23 | 中国科学院空天信息创新研究院 | 一种机载多通道圆迹sar运动目标检测与估计方法 |
Non-Patent Citations (7)
Title |
---|
引力波探测器的噪声及噪声处理综述;严宇钊等;《电子测量技术》;20170701(第24期);第108-115页 * |
引力波探测器联网的定位能力;蔡永志等;《中国科学:物理学 力学 天文学》;20170101(第01期);第91-105页 * |
找寻引力波揭开宇宙诞生之谜;胡杨;《科学大观园》;20091115(第22期);第68页 * |
深度学习助力引力波信号搜寻;张娟;《科研信息化技术与应用》;20180520(第03期);第96页 * |
深度学习在引力波数据处理中的应用初探;曹周键等;《河南师范大学学报(自然科学版)》;20180403(第02期);第26-39页 * |
百年预言成真:引力波的存在被证实;朱宗宏等;《现代物理知识》;20160425(第02期);第15-25页 * |
西藏阿里地区开展地面原初引力波探测实验的机遇与挑战;旺堆等;《高原科学研究》;20180915(第03期);第48-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114549912A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Application of deep convolutional neural networks for detecting extreme weather in climate datasets | |
Kang et al. | Hyperspectral anomaly detection with attribute and edge-preserving filters | |
Gravey et al. | QuickSampling v1. 0: a robust and simplified pixel-based multiple-point simulation approach | |
CN107609399A (zh) | 基于nin神经网络的恶意代码变种检测方法 | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
Sinha et al. | Estimating ocean surface currents with machine learning | |
CN110633711B (zh) | 训练特征点检测器的计算机装置、方法及特征点检测方法 | |
CN113361367B (zh) | 基于深度学习的地下目标电磁反演方法及系统 | |
CN110348434A (zh) | 相机来源鉴别方法、系统、存储介质和计算设备 | |
CN113487600A (zh) | 一种特征增强尺度自适应感知船舶检测方法 | |
CN112949469A (zh) | 针对人脸篡改图像特点分布的图像识别方法、系统及设备 | |
CN114519677A (zh) | 数据增强方法、装置、电子设备及存储介质 | |
CN112784777B (zh) | 基于对抗学习的无监督高光谱图像变化检测方法 | |
Lanjewar et al. | Modified transfer learning frameworks to identify potato leaf diseases | |
CN114549912B (zh) | 引力波侯选体筛选方法、装置及存储介质 | |
Sahay et al. | Hyperspectral image target detection using deep ensembles for robust uncertainty quantification | |
CN117030129A (zh) | 纸杯在线检漏方法及其系统 | |
CN114494999B (zh) | 一种双分支联合型目标密集预测方法及系统 | |
Dong et al. | Scene-oriented hierarchical classification of blurry and noisy images | |
Nayak et al. | Effective PCB Defect Detection Using Stacked Autoencoder with Bi-LSTM Network. | |
Zhang et al. | A spatial–spectral adaptive learning model for textile defect images recognition with few labeled data | |
CN112507826A (zh) | 一种端到端生态变化监测方法、终端、计算机设备及介质 | |
Hassan et al. | Deep learning approach to automatic detection of faults and fractures from magnetic data using the convolutional neural network (CNN) | |
Trujillo et al. | Scale invariance for evolved interest operators | |
Marinoni et al. | Enhancing ensemble learning and transfer learning in multimodal data analysis by adaptive dimensionality reduction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |