CN115499092A - 天文射电暂现信号搜寻方法、系统、装置及可读存储介质 - Google Patents

天文射电暂现信号搜寻方法、系统、装置及可读存储介质 Download PDF

Info

Publication number
CN115499092A
CN115499092A CN202210901560.9A CN202210901560A CN115499092A CN 115499092 A CN115499092 A CN 115499092A CN 202210901560 A CN202210901560 A CN 202210901560A CN 115499092 A CN115499092 A CN 115499092A
Authority
CN
China
Prior art keywords
pulse
signal
data
frequency
training
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.)
Granted
Application number
CN202210901560.9A
Other languages
English (en)
Other versions
CN115499092B (zh
Inventor
黄义娟
刘辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanyang Institute of Technology
Original Assignee
Nanyang Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanyang Institute of Technology filed Critical Nanyang Institute of Technology
Priority to CN202210901560.9A priority Critical patent/CN115499092B/zh
Publication of CN115499092A publication Critical patent/CN115499092A/zh
Application granted granted Critical
Publication of CN115499092B publication Critical patent/CN115499092B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L1/00—Arrangements for detecting or preventing errors in the information received
    • H04L1/0001—Systems modifying transmission characteristics according to link quality, e.g. power backoff
    • H04L1/0036—Systems modifying transmission characteristics according to link quality, e.g. power backoff arrangements specific to the receiver
    • H04L1/0038—Blind format detection
    • 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
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B1/00—Details of transmission systems, not covered by a single one of groups H04B3/00 - H04B13/00; Details of transmission systems not characterised by the medium used for transmission
    • H04B1/06—Receivers
    • H04B1/10—Means associated with receiver for limiting or suppressing noise or interference
    • H04B1/1027—Means associated with receiver for limiting or suppressing noise or interference assessing signal quality or detecting noise/interference for the received signal
    • H04B1/1036—Means associated with receiver for limiting or suppressing noise or interference assessing signal quality or detecting noise/interference for the received signal with automatic suppression of narrow band noise or interference, e.g. by using tuneable notch filters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明提供了一种天文射电暂现信号搜寻方法、系统、装置及可读存储介质，所述搜寻方法包括：S1：收集不具有脉冲信号的真实背景数据，根据脉冲星信号频率与色散的关系、辐射的带宽、辐射的谱指数并考虑散射和观测系统参数的影响，在无脉冲信号背景上注入模拟的脉冲信号；S2：将干扰数据转换为图像，进行目标检测框的标注并用于模型的训练；S3：基于Faster RCNN框架设计可消除干扰影响的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；S4：在真实搜寻中，直接将观测到的数据进行归一化之后生成频率‑时间图并输入训练好的模型，若有脉冲存在，则输出检测到的脉冲图像，获取脉冲的位置坐标。

Description

天文射电暂现信号搜寻方法、系统、装置及可读存储介质
【技术领域】
本发明涉及天文技术领域，尤其涉及一种天文射电暂现信号搜寻方法、系统、装置及可读存储介质。
【背景技术】
射电暂现信号指的是持续时间以秒为单位或者更短的射电波段观测到的天文脉冲。主要包是指宽频带或窄频带的脉冲信号，比如脉冲星的超强脉冲、快速旋转暂现源(RRATs)、来自伽马射线爆发源的即时无线电辐射以及快速射电暴(FRB)的强单脉冲、地外文明的调制信号等。
位于中国贵州平塘的500米口径球面射电望远镜(Five-hundred-meter ApertureSpherical radio Telescope)，简称FAST，被誉为“中国天眼”，是现在世界上最大、最灵敏的单口径射电天文望远镜。因为FAST望远镜独特的构造和优秀的性能，使得“中国天眼”成为搜索各种天文信号的一个新的重要工具。也是FAST最初有五大科学目标：脉冲星搜寻、VLBI观测、探索地外文明、中性氢巡天21厘米谱线观测和其它分子谱线观测。由于在大望远镜上进行科学观测的成本往往很高，观测时间很宝贵，所以类似于地外文明信号等特殊的天文信号的搜寻往往是共用其他科学目标的观测时间，这样既能有大量的观测数据也不会占用望远镜额外的观测时间，如何更高效地利用FAST搜寻到特殊天文信号是现阶段很有意义的研究课题。
不同的天体由于不同的辐射机制，所以它们被观测到的脉冲特征会略有不同，但是由于星际介质的影响它们会表现出一些相同的特点。因为来自宇宙的无线电信号到达地球被观测系统接收到之前的传播路径中充斥着宇宙中的弥漫的介质，其中最主要的影响因素就是色散现象，也是由于色散的影响使得天文射电信号可以和地面的射电干扰明显区分开来。色散效应会使得不同频率的信号到达地球时间不同，越低频的部分越晚到达，这种时间延迟现象使得望远镜接收到的天文信号在时间-频率图上不是一条垂直的竖线而是到达时间随频率延迟的曲线，如图1，这是FAST某次观测数据中的单脉冲信号，可以看出低频部分的信号比高频部分延迟到达。此外，虽然我们不知道地外文明信号的具体特点，但是由于星际介质的作用在表象形式上和脉冲星的脉冲等天文信号是相似的具有低频上的时间延迟，只是地外文明的信号有可能是宽带脉冲，也有可能是窄带无线电信号。
除了色散现象，还有星际介质的散射效应、观测系统的频率、频率通道带宽和采样间隔都会影响接收到的脉冲形状，导致脉冲的展宽和拖尾并且这些影响和色散一样也是和频率相关的，这种关系在“具体实施方式”一节中有详细介绍。
传统的单脉冲搜寻方法(Cordes,J.M.,&McLaughlin,M.A.2003,ApJ,596,1142)可以分为去干扰、消色散和找脉冲三个步骤。由于不知道所搜寻的信号的DM值，所以必须穷举参数空间内所有的值进行试验消色散，这会产生很大的运算量并且需要很大的存储空间。此外，每个消色散之后生成的色散时间序列都需要使用比阈值判断来找出信噪比高的采样点作为候选体，而这种强度阈值判断的方法受射电干扰的影响非常大，大量的候选体中的绝大多数都是由未去除干净的射电干扰造成的。要从这些候选体中筛选出真正的天文信号还需要比较复杂的判断，甚至有时候需要进行人工的辨别。除此之外还要对原始数据进行比较严格的去干扰处理，而干扰有多种产生机制，很难完全去除干净。
随着信息技术和深度学习领域的发展，获取大量训练数据并进行候选体的识别成为可能。已经有人使用人工智能进行图像识别的方法来筛选脉冲星(Zhu W.W.et al.,2014,ApJ,781,117)或者单脉冲的候选体(Guo P.,Fuqing D.,Wang P.,Yao Y.,Xin X.,2017,preprint(arXiv:1711.1 0339))(Agarwal D.,Aggarwal K.,Burke-SpolaorS.,Lorimer D.R.,Garver-Daniels N.,2020,MNRAS,497,1661)，但是这些方法都还是基于传统搜寻手段的，依旧需要先去干扰和穷举法消色散，其次目前的方法主要利用的是深度学习分类模型，包括利用SVM分类模型和神经网络CNN的分类模型等。将网络中输入特定的特征，利用监督信息则可以完成分类识别模型的训练。特征的输入大致分为经验特征、统计特征和候选体图像特征，经验特征比如信噪比，脉冲轮廓宽度，线性相关度等，统计特征比如脉冲均值、方差或者偏度等，而候选体图像特征则主要包括上述四种表达候选体的图像，目前准确度最高的方法是利用候选体图像特征的方法。但是这一类的方法只能判断出该图片是否含有目标信号，不能给出信号的具体的位置(Zhang,Y.G.,Gajjar,V.,Foster,G.,etal.2018,ApJ,866,149)。最重要的是，由于不是所有的天文脉冲信号在观测的全频带都有辐射，比如FRB 190417只在比较窄的频带内有辐射，用上面提到的方法进行搜寻，都会使这种类型的信号由于全频率通道的信号叠加而信噪比降低，甚至低于阈值而探测不到。
此外，如果要进行模型的训练则需要比较完备的训练数据，现有的真实脉冲数据是来源于脉冲星单脉冲、快速旋转暂现源或者少量的快速射电暴，这些信号在参数上都具有一定的聚集性没有覆盖所有的参数空间。若仅仅利用现有的真实数据进行训练，很容易造成训练的过拟合问题。因此，如何避免目前搜寻方法的弊端是本领域技术人员目前需要解决的问题。
因此，有必要研究一种天文射电暂现信号搜寻方法、系统、装置及可读存储介质来应对现有技术的不足，以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此，本发明提供了一种天文射电暂现信号搜寻方法、系统、装置及可读存储介质，可以不产生候选体图像特征，直接利用原始数据进行天文信号的搜寻，从而可以极大地减少传统的基于候选体图像的搜寻方法的时间和计算资源的浪费，通过模拟脉冲数据和目标检测框架判别是否是来自遥远宇宙的信号，可以有效地进行训练并消除因干扰数据导致的脉冲误判问题。
一方面，本发明提供一种天文射电暂现信号搜寻方法，所述搜寻方法包括以下步骤：
S1：收集不具有脉冲信号的真实背景数据，根据脉冲星信号频率与色散的关系、辐射的带宽、辐射的谱指数并且考虑散射和观测系统参数的影响，在无脉冲信号背景上注入模拟的脉冲信号；
S2：将真实背景数据中的干扰数据转换为图像，进行目标检测框的标注并用于模型的训练；
S3：基于Faster RCNN框架设计可消除干扰影响的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；
S4：在真实搜寻中，直接将观测到的数据进行归一化之后生成频率-时间图并输入训练好的模型中，若有脉冲存在，则直接输出检测到的脉冲图像，并获取脉冲的位置坐标。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S1具体包括：
S11：利用收集到的无脉冲的背景信号，在背景信号上随机模拟一个时间点位置，随机模拟最高频率脉冲高度，随机模拟脉冲宽度基础值，随机模拟色散量值，随机模拟谱指数。
S12：根据脉冲星信号频率，色散量和时间延迟公式，计算出不同频率信号的时间延迟；
S13：根据最高频率脉冲宽度与各频率脉冲高度的公式，计算出信号各频率的脉冲高度；
S14：根据脉冲宽度基础值，色散量和各频率宽度公式，计算出信号各频率信号的脉冲宽度；
S15：将各频率信号的脉冲设置为高斯脉冲，根据高斯公式，计算出各频率信号的高斯方差和高斯脉冲的实际宽度；
S16：利用随机的时间点位置和计算得到的不同频率信号的时间延迟，计算出不同频率信号的时间点位置，并在该时间点位置模拟具有随机脉冲宽度和随机脉冲高度的高斯脉冲信号；
S17：随机选择信号的频段，将频段之外的模拟值都置为零；
S18：将模拟的信号离散化，进行颜色映射并栅格化为图像，并利用脉冲的初始位置点和最终位置点作为标注的目标检测框。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S2具体为：将真实背景数据中的干扰数据在时间维度上截断，将数据值大小利用颜色映射转换为热度图，并进行栅格化生成低分辨率的图像，减少数据的存储，加快后续的计算速度，同时手动标注脉冲或干扰的目标检测框和类别。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S3具体包括以下步骤：
S31：设计Faster RCNN框架的特征提取器并提前在ImageNet分类数据集上进行预先训练以得到预先训练的模型；
S32：将Faster RCNN框架的目标输出改为两类，分别为脉冲类和干扰类，利用标记的干扰和模拟信号进行Faster RCNN的训练，得到训练好的脉冲检测模型。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述FasterRCNN框架的特征提取器为VGG16，该神经网络为具有16层的卷积神经网络。
如上所述的方面和任一可能的实现方式，进一步提供一种实现方式，所述S4具体包括以下步骤：
S41：将真实搜寻的信号数据，利用数据准备中的处理步骤将其栅格化；
S42：直接将观测数据生成的图像导入训练好的模型中，判断输出的目标检测的类型，若其类型为干扰目标，则舍弃该次检测，若其类型为脉冲目标，则证明有脉冲存在，输出检测到的脉冲，并获取脉冲出现的位置。
如上所述的方面和任一可能的实现方式，进一步提供一种天文射电暂现信号的搜寻系统，所述系统包括：
数据采集单元：用于收集不具有脉冲信号的真实背景数据；
模拟脉冲信号注入单元：根据脉冲星信号频率与色散的关系、辐射的带宽、辐射的谱指数并且考虑散射和观测系统参数的影响，在无脉冲信号背景上注入模拟的脉冲信号；
图像转换单元：将真实背景数据中的干扰数据转换为图像，进行目标检测框的标注并用于模型的训练；
模型训练单元：基于Faster RCNN框架，设计可消除干扰影响的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；
搜寻结果处理单元：用于在真实搜寻中，直接将观测到的数据进行归一化之后生成频率-时间图并输入训练好的模型中，若有脉冲存在，则直接输出检测到的脉冲图像，并获取脉冲的位置坐标。
如上所述的方面和任一可能的实现方式，进一步提供一种天文射电暂现信号的搜寻装置，所述装置包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的天文射电暂现信号的搜寻的处理程序，所述天文射电暂现信号的搜寻的处理程序被所述处理器执行时实现任一项所述的天文射电暂现信号的搜寻方法的步骤。
如上所述的方面和任一可能的实现方式，进一步提供一种计算机可读存储介质，所述计算机可读存储介质上存储有天文射电暂现信号的搜寻的处理程序，所述天文射电暂现信号的搜寻程序被处理器执行时实现任一项所述的天文射电暂现信号的搜寻方法的步骤。
与现有技术相比，本发明可以获得包括以下技术效果：
1)采用目标检测框架，可以直接利用原始脉冲数据进行天文脉冲的搜寻，改善了传统搜寻方法产生大量由干扰引起的假候选体的问题，并在现有的机器学习方法的基础上提高了脉冲检测的准确度；
2)利用天文脉冲信号的特点，进行脉冲星信号的模拟，并生成具有目标检测框的模拟脉冲数据，较好的解决了目前脉冲星的单脉冲数据参数聚集的问题以及外星信号没有真实样本的问题，增加了训练的稳定性，减少过拟合问题，扩大了可搜索的参数范围；
3)设计具有干扰检测的脉冲模型，可以较好的排除与脉冲相似的干扰，减少了天文暂现信号搜寻的误判率。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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它的附图。
图1是本发明一个实施例提供的天文脉冲信号的低频时间延迟现象的例图；
图2是本发明一个实施例提供的脉冲搜寻方法的流程框图；
图3是本发明一个实施例提供的脉冲检测的结果示意图；
图4是本发明一个实施例提供的脉冲搜寻方法的流程示意图；
图5是本发明一个实施例提供的模拟的脉冲信号的实例图；
图6是本发明一个实施例提供的经过预处理抑制了干扰的实例图。
【具体实施方式】
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
本发明提供一种天文射电暂现信号搜寻方法、系统、装置及可读存储介质，所述搜寻方法包括以下步骤：
S1：收集不具有脉冲信号的真实背景数据，根据脉冲星信号频率与色散的关系、辐射的带宽、辐射的谱指数并且考虑散射和观测系统参数的影响，在无脉冲信号背景上注入模拟的脉冲信号；
S2：将真实背景数据中的干扰数据转换为图像，进行目标检测框的标注并用于模型的训练；
S3：基于Faster RCNN框架设计可消除干扰影响的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；
S4：在真实搜寻中，直接将观测到的数据进行归一化之后生成频率-时间图并输入训练好的模型中，若有脉冲存在，则直接输出检测到的脉冲图像，并获取脉冲的位置坐标。
所述S1具体包括：
S11：利用收集到的无脉冲的背景信号，在背景信号上随机模拟一个时间点位置，随机模拟最高频率脉冲高度，随机模拟脉冲宽度基础值，随机模拟色散量值，随机模拟谱指数。
S12：根据脉冲星信号频率，色散量和时间延迟公式，计算出不同频率信号的时间延迟；
S13：根据最高频率脉冲宽度与各频率脉冲高度的公式，计算出信号各频率的脉冲高度；
S14：根据脉冲宽度基础值，色散量和各频率宽度公式，计算出信号各频率信号的脉冲宽度；
S15：将各频率信号的脉冲设置为高斯脉冲，根据高斯公式，计算出各频率信号的高斯方差和高斯脉冲的实际宽度；
S16：利用随机的时间点位置和计算得到的不同频率信号的时间延迟，计算出不同频率信号的时间点位置，并在该时间点位置模拟具有随机脉冲宽度和随机脉冲高度的高斯脉冲信号；
S17：随机选择信号的频段，将频段之外的模拟值都置为零；
S18：将模拟的信号离散化，进行颜色映射并栅格化为图像，并利用脉冲的初始位置点和最终位置点作为标注的目标检测框。
所述S2具体为：将真实背景数据中的干扰数据在时间维度上截断，将数据值大小利用颜色映射转换为热度图，并进行栅格化生成低分辨率的图像，减少数据的存储，加快后续的计算速度，同时手动标注脉冲或干扰的目标检测框和类别。
所述S3具体包括以下步骤：
S31：设计Faster RCNN框架的特征提取器并提前在ImageNet分类数据集上进行预先训练以得到预先训练的模型；
S32：将Faster RCNN框架的目标输出改为两类，分别为脉冲类和干扰类，利用标记的干扰和模拟信号进行Faster RCNN的训练，得到训练好的脉冲检测模型。所述FasterRCNN框架的特征提取器为VGG16，该神经网络为具有16层的卷积神经网络。
所述S4具体包括以下步骤：
S41：将真实搜寻的信号数据，利用数据准备中的处理步骤将其栅格化；
S42：直接将观测数据生成的图像导入训练好的模型中，判断输出的目标检测的类型，若其类型为干扰目标，则舍弃该次检测，若其类型为脉冲目标，则证明有脉冲存在，输出检测到的脉冲，并获取脉冲出现的位置。
本发明还提供一种天文射电暂现信号的搜寻系统，所述系统包括：
数据采集单元：用于收集不具有脉冲信号的真实背景数据；
模拟脉冲信号注入单元：根据脉冲星信号频率与色散的关系、辐射的带宽、辐射的谱指数并且考虑散射和观测系统参数的影响，在无脉冲信号背景上注入模拟的脉冲信号；
图像转换单元：将真实背景数据中的干扰数据转换为图像，进行目标检测框的标注并用于模型的训练；
模型训练单元：基于Faster RCNN框架，设计可消除干扰影响的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；
搜寻结果处理单元：用于在真实搜寻中，直接将观测到的数据进行归一化之后生成频率-时间图并输入训练好的模型中，若有脉冲存在，则直接输出检测到的脉冲图像，并获取脉冲的位置坐标。
本发明还提供一种天文射电暂现信号的搜寻装置，所述装置包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的天文射电暂现信号的搜寻的处理程序，所述天文射电暂现信号的搜寻的处理程序被所述处理器执行时实现任一项所述的天文射电暂现信号的搜寻方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有天文射电暂现信号的搜寻的处理程序，所述天文射电暂现信号的搜寻程序被处理器执行时实现任一项所述的天文射电暂现信号的搜寻方法的步骤。
在实际操作过程中，如流程框图2所示。本发明可以不产生候选体图像特征，而直接利用原始数据进行脉冲的搜寻，无需预先试验消色散和去干扰。如图3为本发明直接进行脉冲检测的结果示意图。
下面具体进行实施方案的说明：
步骤S1、收集不具有脉冲信号的真实背景数据在无脉冲信号背景上注入生成的模拟脉冲信号并将模拟信号数据转换为图像用于模型的训练。为了可以识别更大范围和更多类别的脉冲，我们在模拟过程中要充分天文脉冲的信号特点，以及尽量在全参数范围内均匀地进行模拟。此处包含的参数有：色散量、脉冲宽度、脉冲强度、谱指数以及脉冲出现的频率范围。值得注意的是，除了色散造成的低频信号到达时间延迟以外，散射效应、观测系统的采样时间间隔以及观测系统的频率通道宽度都会造成我们观测到的脉冲展宽和脉冲拖尾现象。这种影响程度是和观测频率相关的，具体公式如下
Figure BDA0003771068540000121
所以根据公式每个频率通道内的脉冲宽度都会有细微差异，同理每个频率通道内的脉冲强度也有可能不同，受到谱指数α的调制。
S1：具体分为以下子步骤：
步骤S11、利用观测到的无脉冲的背景信号，在背景信号上随机模拟一个时间点位置、随机模拟最高频率脉冲高度、随机模拟脉冲宽度基础值、随机模拟色散量值、随机谱指数、随机脉冲的辐射频带，随机的方式为均匀随机或高斯随机模拟。
步骤S12、根据脉冲星信号频率，色散量和时间延迟公式，计算出不同频率信号的时间延迟，具体公式如下所示：
Figure BDA0003771068540000122
此处DM为模拟的色散量，ν代表信号频率。
步骤S13、根据最高频率脉冲宽度与各频率脉冲高度的公式，计算出信号各频率的脉冲高度，具体公式如下所示：
Figure BDA0003771068540000131
此处α设置为谱指数，用来表征不同频率上的脉冲强度关系，hnchan为最高频率脉冲宽度。
步骤S14、根据脉冲宽度基础值，色散量和各频率宽度公式，计算出信号各频率信号的脉冲宽度，具体公式如下所示：
Figure BDA0003771068540000132
其中
Figure BDA0003771068540000133
步骤S15、将各频率信号的脉冲设置为高斯脉冲，根据高斯公式，计算出各频率信号的高斯方差和高斯脉冲的实际宽度，具体公式如下所示：
方差为
Figure BDA0003771068540000134
脉冲实际宽度设置为6σ。
步骤S16、利用随机的时间点位置和计算得到的不同频率信号的时间延迟，计算出不同频率信号的时间点位置，并在该时间点位置模拟具有随机脉冲宽度和随机脉冲高度的高斯脉冲信号，高斯脉冲信号公式如下所示：
Figure BDA0003771068540000135
步骤S17、将随机出的脉冲辐射频带之外的频带置为零；
步骤S18、将模拟的信号随机真实的背景噪声数据中，如图5所示，可以模拟各种参数的脉冲。
步骤S2、准备具有真实干扰的数据，手动标记脉冲框的位置。最后将干扰数据转换为图像并进行目标检测框的标注用于模型的训练；
具体为将含有干扰的真实数据在时间维度上截断，将数据值大小利用颜色映射转换为热度图，并进行栅格化生成低分辨率的图像，减少数据的存储，加快后续的计算速度，该实施例中图像大小为宽度为320，高度为200。此外，利用现有的目标检测工具手动标注干扰，得到信号的目标检测框和类别。
步骤S3、基于Faster RCNN框架设计具有消除干扰影响功能的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；
具体步骤为：
步骤S31、首先设计Faster RCNN框架的特征提取器为VGG16，该神经网络为具有16层的卷积神经网络，并提前在ImageNet分类数据集上进行预先训练以得到预先训练的模型，在训练中保持VGG16模型参数的不变，训练特征提取器后面检测框架的参数，以减少训练时间；
步骤S32、将Faster RCNN框架的目标输出改为两类，分别为脉冲类和干扰类，利用标记的干扰、真实信号和模拟信号进行Faster RCNN的训练，在训练中真实信号标签为1，干扰标签为2，通过检测框架的训练得到训练好的脉冲检测模型。
S4、在真实搜寻中，直接将脉冲星搜寻过程中产生的信号图像导入训练好的具有消除干扰影响功能的模型中，若有脉冲存在，则直接输出检测到的脉冲，并获取脉冲的位置。
具体步骤为：
步骤S41、将真实搜寻的信号数据，利用数据准备中的处理步骤将数据转化为热度图，并将热度图栅格化得到输入图像，从而降低数据量大小，减少后续计算；
步骤S42、直接将脉冲星搜寻过程中产生的图像导入训练好的模型中，判断输出的目标检测的类型，若其类型为干扰目标，则舍弃该次检测，若其类型为脉冲目标，则证明有脉冲存在，输出检测到的脉冲，并获取脉冲星出现的位置，如图3为本发明检测到的脉冲的结果示意图，如图6为本发明排除干扰的结果示意图。
如图4为本发明设计的基于目标检测的脉冲星搜寻流程，该发明采用Faster RCNN目标检测框架替代传统的基于候选体的分类框架，由于目标检测能够输出目标位置的性质，可以进一步提高搜寻的精度，其次本发明不进行候选体的生成，直接利用原始脉冲数据进行天文暂现信号的搜寻，无需进行消色散和去干扰；此外，利用天文脉冲信号的特点，进行射电暂现信号的模拟，并生成具有目标检测框的模拟脉冲数据，可以解决真实观测数据不足问题。并且解决了真实数据参数过于聚集的问题。增加了训练的稳定性，减少过拟合问题同时也可扩大识别的脉冲范围；最后，设计具有干扰检测的天文脉冲识别模型，可以较好的排除与天文脉冲相似的干扰，减少了天文脉冲搜寻的误判率。
以上对本申请实施例所提供的一种天文射电暂现信号搜寻方法、系统、装置及可读存储介质，进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语，故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式，然所述描述乃以说明本申请的一般原则为目的，并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的商品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例，但如前所述，应当理解本申请并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述申请构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围，则都应在本申请所附权利要求书的保护范围内。

Claims (9)

1.一种天文射电暂现信号搜寻方法，其特征在于，所述搜寻方法包括以下步骤：
S1：收集不具有脉冲信号的真实背景数据，根据脉冲星信号频率与色散的关系、辐射的带宽、辐射的谱指数并且考虑散射和观测系统参数的影响，在无脉冲信号背景上注入模拟的脉冲信号；
S2：将真实背景数据中的干扰数据转换为图像，进行目标检测框的标注并用于模型的训练；
S3：基于Faster RCNN框架设计可消除干扰影响的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；
S4：在真实搜寻中，直接将观测到的数据进行归一化之后生成频率-时间图并输入训练好的模型中，若有脉冲存在，则直接输出检测到的脉冲图像，并获取脉冲的位置坐标。
2.根据权利要求1所述的搜寻方法，其特征在于，所述S1具体包括：
S11：利用收集到的无脉冲的背景信号，在背景信号上随机模拟一个时间点位置，随机模拟最高频率脉冲高度，随机模拟脉冲宽度基础值，随机模拟色散量值，随机模拟谱指数。
S12：根据脉冲星信号频率，色散量和时间延迟公式，计算出不同频率信号的时间延迟；
S13：根据最高频率脉冲宽度与各频率脉冲高度的公式，计算出信号各频率的脉冲高度；
S14：根据脉冲宽度基础值，色散量和各频率宽度公式，计算出信号各频率信号的脉冲宽度；
S15：将各频率信号的脉冲设置为高斯脉冲，根据高斯公式，计算出各频率信号的高斯方差和高斯脉冲的实际宽度；
S16：利用随机的时间点位置和计算得到的不同频率信号的时间延迟，计算出不同频率信号的时间点位置，并在该时间点位置模拟具有随机脉冲宽度和随机脉冲高度的高斯脉冲信号；
S17：随机选择信号的频段，将频段之外的模拟值都置为零；
S18：将模拟的信号离散化，进行颜色映射并栅格化为图像，并利用脉冲的初始位置点和最终位置点作为标注的目标检测框。
3.根据权利要求2所述的搜寻方法，其特征在于，所述S2具体为：将真实背景数据中的干扰数据在时间维度上截断，将数据值大小利用颜色映射转换为热度图，并进行栅格化生成低分辨率的图像，减少数据的存储，加快后续的计算速度，同时手动标注脉冲或干扰的目标检测框和类别。
4.根据权利要求3所述的搜寻方法，其特征在于，所述S3具体包括以下步骤：
S31：设计Faster RCNN框架的特征提取器并提前在ImageNet分类数据集上进行预先训练以得到预先训练的模型；
S32：将Faster RCNN框架的目标输出改为两类，分别为脉冲类和干扰类，利用标记的干扰和模拟信号进行Faster RCNN的训练，得到训练好的脉冲检测模型。
5.根据权利要求4所述的搜寻方法，其特征在于，所述Faster RCNN框架的特征提取器为VGG16，该神经网络为具有16层的卷积神经网络。
6.根据权利要求4所述的搜寻方法，其特征在于，所述S4具体包括以下步骤：
S41：将真实搜寻的信号数据，利用数据准备中的处理步骤将其栅格化；
S42：直接将观测数据生成的图像导入训练好的模型中，判断输出的目标检测的类型，若其类型为干扰目标，则舍弃该次检测，若其类型为脉冲目标，则证明有脉冲存在，输出检测到的脉冲，并获取脉冲出现的位置。
7.一种天文射电暂现信号搜寻系统，包括上述权利要求1-6之一所述的搜寻方法，其特征在于，所述系统包括：
数据采集单元：用于收集不具有脉冲信号的真实背景数据；
模拟脉冲信号注入单元：根据脉冲星信号频率与色散的关系、辐射的带宽、辐射的谱指数并且考虑散射和观测系统参数的影响，在无脉冲信号背景上注入模拟的脉冲信号；
图像转换单元：将真实背景数据中的干扰数据转换为图像，进行目标检测框的标注并用于模型的训练；
模型训练单元：基于Faster RCNN框架，设计可消除干扰影响的脉冲检测模型，并利用训练数据进行模型的训练，得到训练好的模型；
搜寻结果处理单元：用于在真实搜寻中，直接将观测到的数据进行归一化之后生成频率-时间图并输入训练好的模型中，若有脉冲存在，则直接输出检测到的脉冲图像，并获取脉冲的位置坐标。
8.一种天文射电暂现信号搜寻装置，其特征在于，所述装置包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的天文射电暂现信号的搜寻的处理程序，所述天文射电暂现信号的搜寻的处理程序被所述处理器执行时实现如权利要求1至6中任一项所述的天文射电暂现信号的搜寻方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有天文射电暂现信号的搜寻的处理程序，所述天文射电暂现信号的搜寻程序被处理器执行时实现如权利要求1至6中任一项所述的天文射电暂现信号的搜寻方法的步骤。
CN202210901560.9A 2022-07-28 2022-07-28 天文射电暂现信号搜寻方法、系统、装置及可读存储介质 Active CN115499092B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210901560.9A CN115499092B (zh) 2022-07-28 2022-07-28 天文射电暂现信号搜寻方法、系统、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210901560.9A CN115499092B (zh) 2022-07-28 2022-07-28 天文射电暂现信号搜寻方法、系统、装置及可读存储介质

Publications (2)

Publication Number Publication Date
CN115499092A true CN115499092A (zh) 2022-12-20
CN115499092B CN115499092B (zh) 2023-10-13

Family

ID=84467308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210901560.9A Active CN115499092B (zh) 2022-07-28 2022-07-28 天文射电暂现信号搜寻方法、系统、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN115499092B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304624A (zh) * 2023-02-27 2023-06-23 之江实验室 基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法
CN117556266A (zh) * 2024-01-11 2024-02-13 之江实验室 一种模型训练的方法、一种信号识别的方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2694366C1 (ru) * 2018-03-29 2019-07-12 Акционерное общество "Центральный научно-исследовательский радиотехнический институт имени академика А.И. Берга" (АО "ЦНИРТИ им. академика А.И. Берга") Способ создания преднамеренных активных сигналоподобных имитационных помех радиоэлектронным средствам
CN112799137A (zh) * 2020-12-30 2021-05-14 中国科学院国家天文台 基于真实信号发射的脉冲星探测的调校方法及系统
KR102275960B1 (ko) * 2020-11-27 2021-07-12 (주)플레이오니 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법
CN113313119A (zh) * 2021-07-30 2021-08-27 深圳市海清视讯科技有限公司 图像识别方法、装置、设备、介质及产品
JP2022087526A (ja) * 2020-12-01 2022-06-13 株式会社東芝 レーダ装置及びレーダ信号処理方法
CN114740469A (zh) * 2022-03-07 2022-07-12 中山大学 Isar回波实时精细模拟生成方法、装置和存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2694366C1 (ru) * 2018-03-29 2019-07-12 Акционерное общество "Центральный научно-исследовательский радиотехнический институт имени академика А.И. Берга" (АО "ЦНИРТИ им. академика А.И. Берга") Способ создания преднамеренных активных сигналоподобных имитационных помех радиоэлектронным средствам
KR102275960B1 (ko) * 2020-11-27 2021-07-12 (주)플레이오니 딥러닝 기반의 레이다 표적 탐지 시스템 및 그 방법
JP2022087526A (ja) * 2020-12-01 2022-06-13 株式会社東芝 レーダ装置及びレーダ信号処理方法
CN112799137A (zh) * 2020-12-30 2021-05-14 中国科学院国家天文台 基于真实信号发射的脉冲星探测的调校方法及系统
CN113313119A (zh) * 2021-07-30 2021-08-27 深圳市海清视讯科技有限公司 图像识别方法、装置、设备、介质及产品
CN114740469A (zh) * 2022-03-07 2022-07-12 中山大学 Isar回波实时精细模拟生成方法、装置和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHEN WU, OIWEI IVY WONG, LAWRENCE RUDNICK,ET AL.: "Radio Galaxy Zoo: CLARAN – a deep learning classifier for radio morphologies", MONTHLY NOTICES OF THE ROYAL ASTRONOMICAL SOCIETY, vol. 482, no. 1 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116304624A (zh) * 2023-02-27 2023-06-23 之江实验室 基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法
CN116304624B (zh) * 2023-02-27 2024-01-30 之江实验室 基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法
CN117556266A (zh) * 2024-01-11 2024-02-13 之江实验室 一种模型训练的方法、一种信号识别的方法及装置
CN117556266B (zh) * 2024-01-11 2024-03-22 之江实验室 信号识别模型训练的方法、信号识别的方法及装置

Also Published As

Publication number Publication date
CN115499092B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
CN108416378B (zh) 一种基于深度神经网络的大场景sar目标识别方法
CN107229918B (zh) 一种基于全卷积神经网络的sar图像目标检测方法
CN115499092A (zh) 天文射电暂现信号搜寻方法、系统、装置及可读存储介质
CN107563433B (zh) 一种基于卷积神经网络的红外小目标检测方法
CN104504686B (zh) 一种采用局部自适应阈值分割的高光谱图像异常探测方法
CN114429156A (zh) 雷达干扰多域特征对抗学习与检测识别方法
Cain et al. Convolutional neural networks for radar emitter classification
CN105334504B (zh) 基于大边界的非线性判别投影模型的雷达目标识别方法
Li et al. IncepTCN: A new deep temporal convolutional network combined with dictionary learning for strong cultural noise elimination of controlled-source electromagnetic data
CN104866868A (zh) 基于深度神经网络的金属币识别方法和装置
CN113673312B (zh) 基于深度学习的雷达信号脉内调制识别方法
CN103886342A (zh) 基于光谱和邻域信息字典学习的高光谱图像分类方法
CN109948722B (zh) 一种识别空间目标的方法
CN109886147A (zh) 一种基于单网络多任务学习的车辆多属性检测方法
CN106054189B (zh) 基于dpKMMDP模型的雷达目标识别方法
CN111175718A (zh) 联合时频域的地面雷达自动目标识别方法及系统
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN110197212A (zh) 图像分类方法、系统及计算机可读存储介质
CN112859012A (zh) 一种基于级联卷积神经网络的雷达欺骗干扰识别方法
CN106951822B (zh) 一种基于多尺度稀疏保持投影一维距离像融合识别方法
CN112036239A (zh) 一种基于深度学习网络的雷达信号工作模式识别方法及系统
Nuhoglu et al. Image segmentation for radar signal deinterleaving using deep learning
Luo et al. Extraction of gravitational wave signals with optimized convolutional neural network
Meng et al. Fine-grained ship recognition for complex background based on global to local and progressive learning
CN113298007B (zh) 一种小样本sar图像目标识别方法

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