CN117556266B - 信号识别模型训练的方法、信号识别的方法及装置 - Google Patents
信号识别模型训练的方法、信号识别的方法及装置 Download PDFInfo
- Publication number
- CN117556266B CN117556266B CN202410043656.5A CN202410043656A CN117556266B CN 117556266 B CN117556266 B CN 117556266B CN 202410043656 A CN202410043656 A CN 202410043656A CN 117556266 B CN117556266 B CN 117556266B
- Authority
- CN
- China
- Prior art keywords
- data
- signal
- storm
- observed
- rapid
- 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
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000012549 training Methods 0.000 title claims abstract description 72
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 28
- 239000006185 dispersion Substances 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004880 explosion Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 17
- 238000011160 research Methods 0.000 description 9
- 230000006872 improvement Effects 0.000 description 8
- 238000002347 injection Methods 0.000 description 8
- 239000007924 injection Substances 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 3
- 238000009795 derivation Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本说明书公开了信号识别模型训练的方法、信号识别的方法及装置，根据针对快速射电暴的观测数据，确定快速射电暴的信号接收时间，以构建出样本数据。然后根据观测数据，从样本数据中拟合出与快速射电暴对应的标签信息。之后将样本数据输入到待训练的信号识别模型中，通过信号识别模型确定出针对快速射电暴的识别结果，以最小化识别结果与标签信息之间的偏差为优化目标，训练信号识别模型。将训练后的信号识别模型用于对待识别的观测数据进行信号识别。通过本方法可以准确且系统性的获取到观测数据对应的标签信息，从而提高了模型训练过程中构建训练所需的训练样本的效率，进而使得整体针对信号识别模型的训练效率也得到了极大程度的提升。
Description
技术领域
本说明书涉及天体物理研究领域，尤其涉及信号识别模型训练的方法、信号识别的方法及装置。
背景技术
在天体物理领域中，快速射电暴（Fast Radio Burst，FRB）是一种持续发生时间极短，却具有超高体量光学能量的天文射电现象，其本身的一些特殊数据对于现阶段的天体物理学有着极高的研究价值。
现阶段针对快速射电暴信号的数据研究主要通过先利用预先训练的信号识别模型，从采集到的众多宇宙无线电信号中识别出快速射电暴信号，再根据识别出的信号数据进行相应天体物理研究。
但是，现如今用于识别快速射电暴信号的信号识别模型用于模型训练过程中的训练样本数量较少，并且针对训练样本的标签信息大多需要人为进行主动标注，从而导致整个训练过程存在模型训练效率低下，以及最终模型的训练效果不佳的问题，进而就会在实际应用中容易出现针对快速射电暴识别错误或识别遗漏等异常现象。
因此，如何能够精准且高效地识别出观测数据中的快速射电暴信号，是至关重要的。
发明内容
本说明书提供信号识别模型训练的方法、信号识别的方法及装置，以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案：
本说明书提供了一种信号识别模型训练的方法，包括：
获取针对快速射电暴的观测数据；
根据所述观测数据，确定针对所述快速射电暴的信号接收时间；
根据所述观测数据以及所述信号接收时间，构建样本数据，所述样本数据用于表示观测到的各信号的频率与观测到的各信号的时间之间的关系；
根据所述观测数据中高频信号的频率以及所述高频信号的实际接收时间，从所述样本数据中确定待拟合数据范围，并在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息；
将所述样本数据输入到待训练的信号识别模型中，以使所述信号识别模型根据所述样本数据，确定出针对所述快速射电暴的识别结果；
以最小化所述识别结果与所述标签信息之间的偏差为优化目标，对所述信号识别模型进行训练，所述信号识别模型用于对待识别的快速射电暴进行信号识别。
可选的，根据所述观测数据，确定针对所述快速射电暴的信号接收时间，具体包括：
根据所述观测数据中的色散参数和观测频率范围数据，确定在所述快速射电暴产生后的传播时长；
根据预先确定出的所述快速射电暴的实际爆发时间，以及所述快速射电暴产生后的传播时长，确定针对所述快速射电暴的信号接收时间。
可选的，在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息，具体包括：
根据所述观测数据中的色散参数和观测频率范围数据，以及所述信号接收时间，确定针对所述快速射电暴的拟合函数，所述拟合函数用于表示观测到所述快速射电暴的时刻与所述快速射电暴在各时刻的频率的对应关系；
根据所述观测数据中的快速射电暴的各频率数据，通过所述拟合函数，确定所述观测数据中的快速射电暴的各频率数据对应的时间数据；
根据所述观测数据中的快速射电暴的各频率数据，以及所述观测数据中的快速射电暴的各频率数据对应的时间数据，在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息。
本说明书提供了一种信号识别的方法，包括：
获取针对待识别的快速射电暴的观测数据；
将所述针对待识别的快速射电暴的观测数据输入到信号识别模型中，通过所述信号识别模型得到所述观测数据中与所述待识别的快速射电暴对应的识别结果，其中，所述信号识别模型是通过上述信号识别模型训练的方法得到的。
本说明书提供了一种信号识别模型训练的装置，包括：
获取模块，用于获取针对快速射电暴的观测数据；
确定模块，用于根据所述观测数据，确定针对所述快速射电暴的信号接收时间；
构建模块，用于根据所述观测数据以及所述信号接收时间，构建样本数据，所述样本数据用于表示观测到的各信号的频率与观测到的各信号的时间之间的关系；
拟合模块，用于根据所述观测数据中高频信号的频率以及所述高频信号的实际接收时间，从所述样本数据中确定待拟合数据范围，并在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息；
识别模块，用于将所述样本数据输入到待训练的信号识别模型中，以使所述信号识别模型根据所述样本数据，确定出针对所述快速射电暴的识别结果；
训练模块，用于以最小化所述识别结果与所述标签信息之间的偏差为优化目标，对所述信号识别模型进行训练，所述信号识别模型用于对待识别的快速射电暴进行信号识别。
可选的，所述确定模块具体用于，根据所述观测数据中的色散参数和观测频率范围数据，确定在所述快速射电暴产生后的传播时长；根据预先确定出的所述快速射电暴的实际爆发时间，以及所述快速射电暴产生后的传播时长，确定针对所述快速射电暴的信号接收时间。
可选的，所述拟合模块具体用于，根据所述观测数据中的色散参数和观测频率范围数据，以及所述信号接收时间，确定针对所述快速射电暴的拟合函数，所述拟合函数用于表示观测到所述快速射电暴的时刻与所述快速射电暴在各时刻的频率的对应关系；根据所述观测数据中的快速射电暴的各频率数据，通过所述拟合函数，确定所述观测数据中的快速射电暴的各频率数据对应的时间数据；根据所述观测数据中的快速射电暴的各频率数据，以及所述观测数据中的快速射电暴的各频率数据对应的时间数据，在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息。
本说明书提供了一种信号识别的装置，包括：
获取模块：用于获取针对待识别的快速射电暴的观测数据；
识别模块：将所述针对待识别的快速射电暴的观测数据输入到信号识别模型中，通过所述信号识别模型得到所述观测数据中与所述待识别的快速射电暴对应的识别结果，其中，所述信号识别模型是通过上述信号识别模型训练方法得到的。
本说明书提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述信号识别模型训练的方法、信号识别的方法。
本说明书提供了一种电子设备，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上述信号识别模型训练的方法、信号识别的方法。
从上述方法可以看出，在本说明书提供的信号识别模型训练的方法、信号识别的方法中，可以通过根据获取到的针对快速射电暴的观测数据，确定快速射电暴对应的信号接收时间，从而根据信号接收时间来构建样本数据。紧接着，根据观测数据中高频信号的频率以及高频信号的实际接收时间，从样本数据中确定待拟合数据范围，并在待拟合数据范围中拟合出与快速射电暴对应的信号曲线，将该信号曲线作为样本数据对应的标签信息。然后，将样本数据输入到待训练的信号识别模型中，通过信号识别模型根据样本数据确定出针对快速射电暴的识别结果，并以最小化识别结果与标签信息之间的偏差为优化目标，对信号识别模型进行训练。将训练后的信号识别模型用于针对待识别的快速射电暴的观测数据进行信号识别，以得到待识别的快速射电暴对应的识别结果。
从上述内容可以看出，本说明书提供的信号识别模型训练的方法、信号识别的方法，可以根据观测数据中的相关数据拟合出观测数据中快速射电暴对应的信号曲线，并根据拟合出的信号曲线对待训练的信号识别模型进行训练。通过本方法来训练用于识别快速射电暴信号的信号识别模型，可以准确且系统性的获取到观测数据对应的标签信息，从而提高了模型训练过程中构建训练所需的训练样本的效率，进而使得整体针对信号识别模型的训练效率也得到了极大程度的提升，同时也间接提高了模型在实际应用阶段针对待识别的观测数据的识别效率。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。在附图中：
图1为本说明书中提供的一种信号识别模型训练的方法的流程示意图；
图2为本说明书中提供的一种样本数据的实例示意图；
图3为本说明书中提供的一种信号曲线的实例示意图；
图4为本说明书中提供的一种信号识别的方法的流程示意图；
图5为本说明书中提供的一种信号识别模型训练的装置的示意图；
图6为本说明书中提供的一种信号识别的装置的示意图；
图7为本说明书中提供的一种对应于图1和图4的电子设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚，下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本说明书保护的范围。
以下结合附图，详细说明本说明书各实施例提供的技术方案。
图1为本说明书中提供的一种信号识别模型训练的方法的流程示意图，包括以下步骤：
S101：获取针对快速射电暴的观测数据。
快速射电暴（Fast Radio Burst，FRB）是一种较为罕见的宇宙射电信号，其发生时间短暂但却能爆发带有高密度光学能量的无线射电信号的特殊现象，对现阶段的天体物理领域来说有着极高的研究价值。现阶段针对快速射电暴的物理研究大多通过预先训练的识别模型对采集到的众多宇宙信号进行识别和分析，但在针对识别模型进行模型训练时，所使用的训练样本较少，并且确定训练样本的标签信息大多通过人为进行标注，严重降低了模型的训练效率，以及训练后模型的识别能力。因此，如何能够高效率，且精准度较高地对观测数据中的快速射电暴信号进行信号识别，是尤为重要的。
为此，本说明书提供了一种信号识别模型训练方法和信号识别的方法，其中，本说明书提供的方法所采用的执行主体可以是诸如台式电脑、笔记本电脑等终端设备，也可以是服务器，而除此之外，本说明书的执行主体也可以为软件形式的主体，如安装在终端设备中的客户端等。而为了便于说明，下面本说明书仅以终端设备作为执行主体，对所提供的信号识别模型训练的方法以及信号识别的方法进行说明。
基于此，应用本说明书提供的信号识别模型训练的方法和信号识别的方法的终端设备可以根据获取到的针对快速射电暴的观测数据，拟合出观测数据中快速射电暴信号对应的信号曲线，进而根据信号曲线对待训练的信号识别模型进行训练，然后，将训练好的信号识别模型用于对待识别的快速射电暴信号进行信号识别。具体应用场景可根据实际需求而定，例如，在通过大型射电望远镜阵列对各类宇宙无线信号进行实时观测中，利用应用本说明书中提及的方法的终端设备对快速射电暴信号进行高效且精准识别；再例如，在对已知反复爆发射电信号的信号源的反复观测中，通过应用本说明书中方法的终端设备对反复爆发射电信号的信号源的快速射电信号进行精准识别，从而推进天体物理的研究进程。
在本说明书中所提供的方法主要分为两个阶段，一个是模型训练阶段，一个是实际应用阶段，在模型训练阶段中，终端设备可以获取到历史上针对快速射电暴的观测数据。其中，针对快速射电暴的历史观测数据中包含有众多已知的测量数据，具体包括：观测数据中快速射电暴信号的实际爆发时间，观测数据对应的色散参数（Dispersion, Measure,DM），观测数据中获取到的信号对应的频率范围数据，以及快速射电暴信号在观测数据中的频率数据。上述提及的实际爆发时间用于表示快速射电暴信号在其对应的发生信号源处开始爆发的时间，具体数据格式通过简化儒略日（Modified Julian Day，MJD）格式的时间数据进行表示。上述提及的频率范围数据用于表示观测数据对应的接收数据时人为设定的接收频率范围，具体数据表达形式为，单位为GHz。
需要说明的是，上述提及的历史上的观测数据的数据来源可以是如全球各个国家已公开的历史天文数据，或者在已经公开发布的学术期刊或文献中涉及的历史观测数据等，本说明书不对观测数据的具体来源和渠道进行严格限定，可根据实际需求和应用场景做出灵活变动。
S102：根据所述观测数据，确定针对快速射电暴的信号接收时间。
在本说明书中，终端设备可以根据获取到的观测数据中的相关数据，确定出针对观测数据中的快速射电暴信号的信号接收时间。
具体的，上述提到的信号接收时间用于表示历史观测数据对应的观测设备在快速射电暴信号从信号源处爆发产生后实际接收到快速射电暴信号的接收时刻。终端设备可以根据观测数据中的观测数据对应的色散参数，以及观测数据中获取到的信号对应的频率范围数据，确定出观测数据中对应的快速射电暴信号从信号源传输到观测设备的实际传播时长，进而根据观测数据中公布的快速射电暴信号的实际爆发时间，以及实际传播时长，确认出观测数据中的快速射电暴信号对应的信号接收时间，具体可以参考如下公式：
其中，用于表示观测数据中的快速射电暴信号的信号接收时间，/>用于表示观测数据中快速射电暴信号的实际爆发时间，/>用于表示观测数据对应的色散参数，用于表示观测数据对应的频率范围数据中的频率最大值。整体公式具体表示为，根据色散参数/>以及频率范围数据中的频率最大值/>确定出观测数据中快速射电暴信号从信号源传输到观测设备的传播时长“/>”，进而将快速射电暴信号的实际爆发时间/>与传播时长“/>”进行数据加和，从而得到观测数据中的快速射电暴信号对应的信号接收时间/>。
需要另行说明的是，上述用于确定观测数据中的快速射电暴信号对应的信号接收时间所使用的公式，是通过现阶段的天体物理学中的确定宇宙无线信号传播时星际介质的色散参数公式推导而成的，具体的色散参数确认公式可参考如下公式：
其中，“”用于表示观测宇宙信号时观测设备观测到不同频率的信号的时间差值，/>用于表示星际介质的色散参数，/>和/>分别表示观测设备观测到的较高频率的信号的频率数据以及时间数据，/>和/>分别表示观测设备观测到的较低频率的信号的频率数据以及时间数据。根据此公式推导出上述用于确定观测数据中的快速射电暴信号对应的信号接收时间所使用的公式的具体推导过程为，将观测设备观测到的较高频率的信号的频率数据/>视为正向无穷大，即将观测设备观测到的较高频率的信号的时间数据/>视为初始0时刻，将观测设备观测到的较低频率的信号的频率数据/>视为观测数据对应的接收信号的频率范围数据中的频率最大值/>，替换后的公式中的/>就相当于上述公式中的观测数据中快速射电暴信号从信号源传输到观测设备的传播时长“/>”。
S103：根据所述观测数据以及所述信号接收时间，构建样本数据，所述样本数据用于表示观测到的各信号的频率与观测到的各信号的时间之间的关系。
S104：根据所述观测数据中高频信号的频率以及所述高频信号的实际接收时间，从所述样本数据中确定待拟合数据范围，并在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息。
在本说明书中，终端设备可以根据观测数据中的相关数据以及信号接收时间，构建出可以表示观测数据中各信号的频率与各信号的时间之间的对应关系的样本数据。具体的，为了便于说明观测数据对应的样本数据的具体表达形式，下面将以一个样本数据的实例示意图，来进行介绍，如图2所示。
图2为本说明书中提供的一种样本数据的实例示意图。
如图2所示，图2中所示的时间与频率的关系图像即为某一历史观测数据对应的样本数据，从图2中可以看出，时间与频率的坐标关系图像中有一条较为明显的信号曲线，此条较为明显的信号曲线即为观测数据中观测到的各信号中的快速射电暴信号的频率与时间关系走向，但由于观测到的各信号太过复杂并且相互之间还存在有信号干扰，例如图2中的各个成波点型的其他信号，或者图2中成直线型的干扰信号等，从而导致快速射电暴的各频率与各时间的对应关系无法直接根据样本数据进行获取。
因此，终端设备会根据观测数据中的高频信号的频率以及所述高频信号的观测数据中，从样本数据中拟合出快速射电暴信号对应的信号曲线，并将信号曲线作为样本数据对应的标签信息。
具体的，终端设备可以根据观测数据中的色散参数，以及观测频率范围数据和通过上述步骤确认出的信号接收时间，确定出针对观测数据中的快速射电暴信号的拟合函数，进而通过拟合函数，根据观测数据中记录的快速射电暴的各频率数据，确定出快速射电暴的各频率数据对应的时间数据。然后，再根据快速射电暴的各频率数据以及各频率数据对应的时间数据，以及样本数据，在根据观测数据中的高频信号的实际接收时间确定的待拟合数据范围中拟合出快速射电暴对应的信号曲线，并将该信号曲线作为样本数据对应的标签数据。上述提及的观测数据中的高频信号的实际接收时间用于表示观测数据通过观测设备开始进行数据观测时的观测时间段的起始时间。上述提及的拟合函数，具体可以参考如下公式：
其中，用于表示快速射电暴的各频率数据对应的时间数据，/>表示色散参数，用于表示观测数据对应的频率范围数据中的频率最大值，同时也表示观测数据对应的观测设备接收到的快速射电暴信号的最高频率值，/>用于表示观测数据中记录的快速射电暴的各频率数据，/>用于表示观测数据中的快速射电暴信号的信号接收时间，即观测设备接收到频率为/>时的信号接收时间。
需要进行说明的是，上述拟合函数对应的公式也是由上述提到的色散参数公式推导而成的，具体推导过程是将色散参数公式中的观测设备观测到的较高频率的信号的时间数据替换为观测数据中的快速射电暴信号的信号接收时间/>，进而对应的色散参数公式中观测设备观测到的较高频率的信号的频率数据/>就替换为观测设备接收到的快速射电暴信号的最高频率值/>，将色散参数公式中的观测设备观测到的较低频率的信号的频率数据/>视为观测数据中记录的快速射电暴的各频率数据/>，而色散公式中的观测设备观测到的较低频率的信号的时间数据/>对应为快速射电暴的各频率数据对应的时间数据/>。因此，经过计算推导后的公式便可以根据快速射电暴信号的不同频率数据确定出对应的各个时间数据。为了便于说明样本数据对应的信号曲线的具体表现形式，以上述图2为基础，以一个信号曲线的实例示意图进行介绍，如图3所示。
图3为本说明书中提供的一种信号曲线的实例示意图。
如图3所示，基于图2的样本数据确定出的信号曲线图像中只存在用于表示观测数据中快速射电暴信号的时间与频率关系的曲线，其中信号曲线左侧的顶点处对应的时间为快速射电暴信号的信号接收时间，频率对应为观测设备接收到的快速射电暴信号的最高频率值/>，而信号曲线右侧最低点对应的频率数据为观测设备接收到的快速射电暴信号的最低频率值/>，图3中的坐标横轴表示观测数据对应的观测设备进行信号观测时的实际接收时间区间，而坐标纵轴则表示观测设备进行信号观测时的实际接收频率区间，实际接收区间以及实际接收频率区间共同构成信号曲线所处的坐标范围，即观测数据对应的待拟合数据范围。综上所述，图3所示的信号曲线图像即为图2样本数据对应的标签信息。
需要说明的是，以上述图2以及对应的图3为例进行说明，仅是为了便于理解，实际在模型训练过程中的观测数据的具体样本数据是具有极高的多样性的，不同观测数据对应的拟合函数中的各个参数也各不相同，可根据实际数据的不同变化对公式中的参数进行相应替换。
S104：将所述样本数据输入到待训练的信号识别模型中，以使所述信号识别模型根据所述样本数据，确定出针对所述快速射电暴的识别结果。
S105：以最小化所述识别结果与所述标签信息之间的偏差为优化目标，对所述信号识别模型进行训练，所述信号识别模型用于对待识别的快速射电暴进行信号识别。
在本说明书中，终端设备会将观测数据对应的样本数据输入到待训练的信号识别模型中，以通过信号识别模型针对样本数据中的快速射电暴信号进行识别，得到对应的识别结果，进而以最小化识别结果与样本数据对应的标签信息之间的偏差为优化目标，对待训练的信号识别模型进行训练。
其中，在模型训练过程中通过信号识别模型根据观测数据的样本数据识别出的识别结果的训练目标与样本数据对应的标签信息作用相同，都是为了将观测数据对应的样本数据中的除快速射电暴信号以外的一些其他信号或者干扰信号进行过滤，使得可以从众多错综复杂的宇宙无线信号数据中精准确定出快速射电暴信号的相关数据。
需要说明的是，在本说明书中不对上述提及的信号识别模型的具体模型类别进行限定，可以采用现阶段天体物理研究中常用的针对快速射电暴信号进行信号识别的信号识别模型，例如深度神经网络（Deep Neural Network，DNN），支持向量机（Support VectorMachine, SVM）模型等等，可根据实际场景和需求进行选择和设定。
在本说明书中所提供的方法主要分为两个阶段，模型训练阶段以及实际应用阶段。上述介绍的模型训练阶段，主要用于获取经过模型训练过程后具有针对快速射电暴信号进行信号识别能力的信号识别模型，从而使得在实际应用阶段中，可以针对携带有待识别的快速射电暴信号的观测数据进行信号识别。
为了便于介绍信号识别的方法，下面将以一个信号识别的方法的流程示意图，来进行说明，如图4所示。
图4为本说明书中提供的一种信号识别的方法的流程示意图，包括以下步骤：
S401：获取针对待识别的快速射电暴的观测数据。
快速射电暴（Fast Radio Burst，FRB）是一种罕见的高能天文物理现象，其短暂而强烈的射电波信号对现阶段的天体物理学具有极其重要的研究价值。在现有技术中大多通过预先训练的信号识别模型对众多信号中的快速射电暴信号进行识别，但由于训练样本的数量稀少，人工标注的成本和时间浪费较多，导致信号识别模型的训练效率以及训练结果都不是很理想，从而影响到后续实际使用过程中对待识别的快速射电暴信号的识别结果。因此，如何能够精准且高效的对待识别的快速射电暴信号进行信号识别，是至关重要的。
为此，本说明书提供了一种信号识别的方法，其中，本说明书提供的方法所采用的执行主体可以服务器，也可以是是诸如台式电脑、笔记本电脑等终端设备，而除此之外，本说明书的执行主体也可以为软件形式的主体，如安装在终端设备中的客户端等。而为了便于说明，下面本说明书仅以服务器作为执行主体，对所提供的信号识别的方法进行说明。
基于此，终端设备针对待预测的快速射电暴信号进行信号识别的具体应用场景可根据实际需求而定，例如，在持续监测宇宙信号时，面对突发的信号异常现象，可通过终端设备对观测数据中的快速射电暴数据进行精准识别，从而可能判断出信号异常现象的出现原因；再例如，在针对反复爆发快速射电暴信号的信号源进行持续观测时，通过终端设备对采集到的各类信号中信号源所发出的快速射电暴信号进行识别，从而对相关信号数据进行研究和分析，加快推进对信号源的周期性和活动模式的深度研究。
在本说明书中，终端设备可以获取到针对待识别的快速射电暴的观测数据，其中观测数据中所携带的快速射电暴信号可以为历史上曾经出现过并且反复出现的快速射电暴信号，也可以为从未被记录过的新种类的快速射电暴信号。
S402：将所述针对待识别的快速射电暴的观测数据输入到信号识别模型中，通过所述信号识别模型得到所述观测数据中与所述待识别的快速射电暴对应的识别结果，其中，所述信号识别模型是通过上述信号识别模型训练的方法得到的。
在本说明书中，终端设备可以将针对待识别的快速射电暴的观测数据输入到经过模型训练后的信号识别模型中，从而通过该信号识别模型对观测数据中的快速射电暴信号进行信号识别，得到对应的识别结果。
其中，用于实际应用的信号识别模型是通过上述的信号识别模型训练方法得到的，训练后的信号识别模型可以将观测数据中除快速射电暴信号以外的其他无关信号进行精准过滤，从而得到只包含有快速射电暴信号数据的识别结果，而快速射电暴信号对应的识别结果即可运用在后续的天体物理研究等其他用途之中。
从上述内容可以看出，本说明书提供的信号识别模型训练的方法、信号识别的方法，可以根据观测数据中的相关数据拟合出观测数据中快速射电暴对应的信号曲线，并根据拟合出的信号曲线对待训练的信号识别模型进行训练，将训练后的信号识别模型用于实际应用中，针对待识别的观测数据中的快速射电暴信号进行识别。通过本方法来训练用于识别快速射电暴信号的信号识别模型，可以准确且系统性的获取到观测数据对应的标签信息，从而提高了模型训练过程中构建训练所需的训练样本的效率，进而使得整体针对信号识别模型的训练效率也得到了极大程度的提升，同时也间接提高了模型在实际应用阶段针对待识别的观测数据的识别效率。
以上为本说明书的一个或多个实施的方法，基于同样的思路，本说明书还提供了相应信号识别模型训练的装置，如图5所示。
图5为本说明书中提供的一种信号识别模型训练的装置的示意图，包括：
获取模块501，用于获取针对快速射电暴的观测数据；
确定模块502，用于根据所述观测数据，确定针对所述快速射电暴的信号接收时间；
构建模块503，用于根据所述观测数据以及所述信号接收时间，构建样本数据，所述样本数据用于表示观测到的各信号的频率与观测到的各信号的时间之间的关系；
拟合模块504，用于根据所述观测数据中高频信号的频率以及所述高频信号的实际接收时间，从所述样本数据中确定待拟合数据范围，并在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息；
识别模块505，用于将所述样本数据输入到待训练的信号识别模型中，以使所述信号识别模型根据所述样本数据，确定出针对所述快速射电暴的识别结果；
训练模块506，用于以最小化所述识别结果与所述标签信息之间的偏差为优化目标，对所述信号识别模型进行训练，所述信号识别模型用于对待识别的快速射电暴进行信号识别。
可选的，所述确定模块502具体用于，根据所述观测数据中的色散参数和观测频率范围数据，确定在所述快速射电暴产生后的传播时长；根据预先确定出的所述快速射电暴的实际爆发时间，以及所述快速射电暴产生后的传播时长，确定针对所述快速射电暴的信号接收时间。
可选的，所述拟合模块504具体用于，根据所述观测数据中的色散参数和观测频率范围数据，以及所述信号接收时间，确定针对所述快速射电暴的拟合函数，所述拟合函数用于表示观测到所述快速射电暴的时刻与所述快速射电暴在各时刻的频率的对应关系；根据所述观测数据中的快速射电暴的各频率数据，通过所述拟合函数，确定所述观测数据中的快速射电暴的各频率数据对应的时间数据；根据所述观测数据中的快速射电暴的各频率数据，以及所述观测数据中的快速射电暴的各频率数据对应的时间数据，在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息。
基于同样的思路，本说明书还提供了相应的信号识别的装置，如图6所示。
图6为本说明书中提供的一种信号识别的装置的示意图，包括：
获取模块601：用于获取针对待识别的快速射电暴的观测数据；
识别模块602：将所述针对待识别的快速射电暴的观测数据输入到信号识别模型中，通过所述信号识别模型得到所述观测数据中与所述待识别的快速射电暴对应的识别结果，其中，所述信号识别模型是通过上述信号识别模型训练方法得到的。
本说明书还提供了一种计算机可读存储介质，该存储介质存储有计算机程序，计算机程序可用于执行上述图1提供的一种信号识别模型训练的方法和图4提供的一种信号识别的方法。
本说明书还提供了图7所示的一种对应于图1和图4的电子设备的示意结构图。如图7所示，在硬件层面，该电子设备包括处理器、内部总线、网络接口、内存以及非易失性存储器，当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，以实现上述图1所述的信号识别模型训练的方法和图4所述的信号识别的方法。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进（例如，对二极管、晶体管、开关等电路结构的改进）还是软件上的改进（对于方法流程的改进）。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件（Programmable Logic Device, PLD）（例如现场可编程门阵列（Field Programmable GateArray，FPGA））就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器（logic compiler）”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言（Hardware Description Language，HDL），而HDL也并非仅有一种，而是有许多种，如ABEL（Advanced Boolean Expression Language）、AHDL（Altera Hardware DescriptionLanguage）、Confluence、CUPL（Cornell University Programming Language）、HDCal、JHDL（Java Hardware Description Language）、Lava、Lola、MyHDL、PALASM、RHDL（RubyHardware Description Language）等，目前最普遍使用的是VHDL（Very-High-SpeedIntegrated Circuit Hardware Description Language）与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该（微）处理器执行的计算机可读程序代码（例如软件或固件）的计算机可读介质、逻辑门、开关、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书的实施例可提供为方法、系统、或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
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过程、方法、商品或者设备不仅包括那些要素，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过程、方法、商品或者设备所固有的要素。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过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本说明书的实施例可提供为方法、系统或计算机程序产品。因此，本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。
Claims (6)
1.一种信号识别模型训练的方法，其特征在于，包括：
获取针对快速射电暴的观测数据；
根据所述观测数据，确定针对所述快速射电暴的信号接收时间，其中，根据所述观测数据中的色散参数和观测频率范围数据，确定在所述快速射电暴产生后的传播时长，根据预先确定出的所述快速射电暴的实际爆发时间，以及所述快速射电暴产生后的传播时长，确定针对所述快速射电暴的信号接收时间，根据预先确定出的所述快速射电暴的实际爆发时间，以及所述快速射电暴产生后的传播时长，确定针对所述快速射电暴的信号接收时间；
根据所述观测数据以及所述信号接收时间，构建样本数据，所述样本数据用于表示观测到的各信号的频率与观测到的各信号的时间之间的关系；
根据所述观测数据中高频信号的频率以及所述高频信号的实际接收时间，从所述样本数据中确定待拟合数据范围，并在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息，其中，根据所述观测数据中的色散参数和观测频率范围数据，以及所述信号接收时间，确定针对所述快速射电暴的拟合函数，所述拟合函数用于表示观测到所述快速射电暴的时刻与所述快速射电暴在各时刻的频率的对应关系，根据所述观测数据中的快速射电暴的各频率数据，通过所述拟合函数，确定所述观测数据中的快速射电暴的各频率数据对应的时间数据，根据所述观测数据中的快速射电暴的各频率数据，以及所述观测数据中的快速射电暴的各频率数据对应的时间数据，在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息；
将所述样本数据输入到待训练的信号识别模型中，以使所述信号识别模型根据所述样本数据，确定出针对所述快速射电暴的识别结果；
以最小化所述识别结果与所述标签信息之间的偏差为优化目标，对所述信号识别模型进行训练，所述信号识别模型用于对待识别的快速射电暴进行信号识别。
2.一种信号识别的方法，其特征在于，包括：
获取针对待识别的快速射电暴的观测数据；
将所述针对待识别的快速射电暴的观测数据输入到信号识别模型中，通过所述信号识别模型得到所述观测数据中与所述待识别的快速射电暴对应的识别结果，其中，所述信号识别模型是通过上述权利要求1所述的方法得到的。
3.一种信号识别模型训练的装置，其特征在于，包括：
获取模块，用于获取针对快速射电暴的观测数据；
确定模块，用于根据所述观测数据，确定针对所述快速射电暴的信号接收时间，其中，根据所述观测数据中的色散参数和观测频率范围数据，确定在所述快速射电暴产生后的传播时长，根据预先确定出的所述快速射电暴的实际爆发时间，以及所述快速射电暴产生后的传播时长，确定针对所述快速射电暴的信号接收时间，根据预先确定出的所述快速射电暴的实际爆发时间，以及所述快速射电暴产生后的传播时长，确定针对所述快速射电暴的信号接收时间；
构建模块，用于根据所述观测数据以及所述信号接收时间，构建样本数据，所述样本数据用于表示观测到的各信号的频率与观测到的各信号的时间之间的关系；
拟合模块，用于根据所述观测数据中高频信号的频率以及所述高频信号的实际接收时间，从所述样本数据中确定待拟合数据范围，并在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息，其中，根据所述观测数据中的色散参数和观测频率范围数据，以及所述信号接收时间，确定针对所述快速射电暴的拟合函数，所述拟合函数用于表示观测到所述快速射电暴的时刻与所述快速射电暴在各时刻的频率的对应关系，根据所述观测数据中的快速射电暴的各频率数据，通过所述拟合函数，确定所述观测数据中的快速射电暴的各频率数据对应的时间数据，根据所述观测数据中的快速射电暴的各频率数据，以及所述观测数据中的快速射电暴的各频率数据对应的时间数据，在所述待拟合数据范围中拟合出所述快速射电暴的信号曲线，作为所述样本数据对应的标签信息；
识别模块，用于将所述样本数据输入到待训练的信号识别模型中，以使所述信号识别模型根据所述样本数据，确定出针对所述快速射电暴的识别结果；
训练模块，用于以最小化所述识别结果与所述标签信息之间的偏差为优化目标，对所述信号识别模型进行训练，所述信号识别模型用于对待识别的快速射电暴进行信号识别。
4.一种信号识别的装置，其特征在于，包括：
获取模块：用于获取针对待识别的快速射电暴的观测数据；
识别模块：将所述针对待识别的快速射电暴的观测数据输入到信号识别模型中，通过所述信号识别模型得到所述观测数据中与所述待识别的快速射电暴对应的识别结果，其中，所述信号识别模型是通过上述权利要求1所述的方法得到的。
5.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述权利要求1~2任一项所述的方法。
6.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现上述权利要求1~2任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410043656.5A CN117556266B (zh) | 2024-01-11 | 2024-01-11 | 信号识别模型训练的方法、信号识别的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410043656.5A CN117556266B (zh) | 2024-01-11 | 2024-01-11 | 信号识别模型训练的方法、信号识别的方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117556266A CN117556266A (zh) | 2024-02-13 |
| CN117556266B true CN117556266B (zh) | 2024-03-22 |
Family
ID=89820851
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410043656.5A Active CN117556266B (zh) | 2024-01-11 | 2024-01-11 | 信号识别模型训练的方法、信号识别的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117556266B (zh) |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109553687A (zh) * | 2017-09-27 | 2019-04-02 | 北京大学 | 基于g蛋白偶联受体构建的荧光探针 |
| CN110427878A (zh) * | 2019-07-31 | 2019-11-08 | 中国科学院新疆天文台 | 一种快速射电暴信号识别方法与系统 |
| CN110490134A (zh) * | 2019-08-20 | 2019-11-22 | 四川九洲电器集团有限责任公司 | 信号识别方法、设备及存储介质 |
| CN111079608A (zh) * | 2019-12-09 | 2020-04-28 | 中国科学院新疆天文台 | 一种快速射电暴实时搜寻方法 |
| CN111428794A (zh) * | 2020-03-27 | 2020-07-17 | 东南大学 | 一种基于支持向量机模型的太阳射电暴检测方法 |
| CN111487473A (zh) * | 2020-04-16 | 2020-08-04 | 中国科学院新疆天文台 | 一种快速射电暴自动探测系统及方法 |
| CN114129169A (zh) * | 2021-11-22 | 2022-03-04 | 中节能风力发电股份有限公司 | 一种生物电信号数据识别方法、系统、介质和设备 |
| CN115499092A (zh) * | 2022-07-28 | 2022-12-20 | 南阳理工学院 | 天文射电暂现信号搜寻方法、系统、装置及可读存储介质 |
| WO2023023467A1 (en) * | 2021-08-17 | 2023-02-23 | Interius Biotherapeutics, Inc. | Nucleic acid molecules and methods of using the same |
| CN116010850A (zh) * | 2023-01-03 | 2023-04-25 | 之江实验室 | 一种识别快速射电暴的方法、装置、存储介质及电子设备 |
| CN116226616A (zh) * | 2022-12-06 | 2023-06-06 | 之江实验室 | 针对快速射电暴的科研数据分析平台 |
| CN116246276A (zh) * | 2022-12-22 | 2023-06-09 | 支付宝(杭州)信息技术有限公司 | 一种信息识别方法、装置、设备及可读存储介质 |
| 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 |
| CN116340390A (zh) * | 2023-03-16 | 2023-06-27 | 之江实验室 | 一种针对多维快速射电暴数据的知识库系统、装置及存储介质 |
| CN116482449A (zh) * | 2023-06-20 | 2023-07-25 | 中国科学院国家天文台 | 快速射电暴的实时探测方法 |
| CN116610972A (zh) * | 2023-03-13 | 2023-08-18 | 中国科学院云南天文台 | 一种快速射电暴实时探测装置、系统和方法 |
| CN116756625A (zh) * | 2022-03-04 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 信号识别模型训练方法、信号识别方法及装置 |
| CN117054754A (zh) * | 2023-08-15 | 2023-11-14 | 德州学院 | 一种基于目标检测模型的快速射电暴信号搜寻方法 |
-
2024
- 2024-01-11 CN CN202410043656.5A patent/CN117556266B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109553687A (zh) * | 2017-09-27 | 2019-04-02 | 北京大学 | 基于g蛋白偶联受体构建的荧光探针 |
| CN110427878A (zh) * | 2019-07-31 | 2019-11-08 | 中国科学院新疆天文台 | 一种快速射电暴信号识别方法与系统 |
| CN110490134A (zh) * | 2019-08-20 | 2019-11-22 | 四川九洲电器集团有限责任公司 | 信号识别方法、设备及存储介质 |
| CN111079608A (zh) * | 2019-12-09 | 2020-04-28 | 中国科学院新疆天文台 | 一种快速射电暴实时搜寻方法 |
| CN111428794A (zh) * | 2020-03-27 | 2020-07-17 | 东南大学 | 一种基于支持向量机模型的太阳射电暴检测方法 |
| CN111487473A (zh) * | 2020-04-16 | 2020-08-04 | 中国科学院新疆天文台 | 一种快速射电暴自动探测系统及方法 |
| WO2023023467A1 (en) * | 2021-08-17 | 2023-02-23 | Interius Biotherapeutics, Inc. | Nucleic acid molecules and methods of using the same |
| CN114129169A (zh) * | 2021-11-22 | 2022-03-04 | 中节能风力发电股份有限公司 | 一种生物电信号数据识别方法、系统、介质和设备 |
| CN116756625A (zh) * | 2022-03-04 | 2023-09-15 | 腾讯科技（深圳）有限公司 | 信号识别模型训练方法、信号识别方法及装置 |
| CN115499092A (zh) * | 2022-07-28 | 2022-12-20 | 南阳理工学院 | 天文射电暂现信号搜寻方法、系统、装置及可读存储介质 |
| CN116226616A (zh) * | 2022-12-06 | 2023-06-06 | 之江实验室 | 针对快速射电暴的科研数据分析平台 |
| CN116246276A (zh) * | 2022-12-22 | 2023-06-09 | 支付宝(杭州)信息技术有限公司 | 一种信息识别方法、装置、设备及可读存储介质 |
| CN116010850A (zh) * | 2023-01-03 | 2023-04-25 | 之江实验室 | 一种识别快速射电暴的方法、装置、存储介质及电子设备 |
| 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 |
| CN116610972A (zh) * | 2023-03-13 | 2023-08-18 | 中国科学院云南天文台 | 一种快速射电暴实时探测装置、系统和方法 |
| CN116340390A (zh) * | 2023-03-16 | 2023-06-27 | 之江实验室 | 一种针对多维快速射电暴数据的知识库系统、装置及存储介质 |
| CN116482449A (zh) * | 2023-06-20 | 2023-07-25 | 中国科学院国家天文台 | 快速射电暴的实时探测方法 |
| CN117054754A (zh) * | 2023-08-15 | 2023-11-14 | 德州学院 | 一种基于目标检测模型的快速射电暴信号搜寻方法 |
Non-Patent Citations (3)
| Title |
|---|
| M. Amiri 等.Observations of fast radio bursts at frequencies down to 400 megahertz.《LETTER》.2019,第566卷1-10. * |
| 李龙彪 等.快速射电暴的观测及理论研究进展.《天文学进展》.2017,第35卷(第4期),429-447. * |
| 王远明 等.FAST漂移扫描观测:快速射电暴信号模拟与模拟样本.《天文学进展》.2019,(第04期),113-126. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117556266A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10860453B2 (en) | Index anomaly detection method and apparatus, and electronic device | |
| CN105786182B (zh) | 一种基于手势控制周围设备的方法及装置 | |
| CN111639011B (zh) | 一种数据监控方法、装置及设备 | |
| CN116740361B (zh) | 一种点云分割方法、装置、存储介质及电子设备 | |
| CN117390585B (zh) | 基于三维全连接融合的时序数据预测方法及模型训练方法 | |
| CN109284115A (zh) | 一种生成追踪器脚本的方法及装置 | |
| CN117556266B (zh) | 信号识别模型训练的方法、信号识别的方法及装置 | |
| CN110399287B (zh) | 应用测试的覆盖率收集方法及装置 | |
| CN117409466B (zh) | 一种基于多标签控制的三维动态表情生成方法及装置 | |
| CN117197781B (zh) | 一种交通标志识别的方法、装置、存储介质及电子设备 | |
| CN116010850A (zh) | 一种识别快速射电暴的方法、装置、存储介质及电子设备 | |
| CN115620706B (zh) | 一种模型训练方法、装置、设备及存储介质 | |
| CN117876610B (zh) | 针对三维构建模型的模型训练方法、装置、存储介质 | |
| CN117407690B (zh) | 一种基于模型迁移性评估的任务执行方法、装置及设备 | |
| CN117455015B (zh) | 一种模型优化的方法、装置、存储介质及电子设备 | |
| CN117201334B (zh) | 一种多模态网络流量预测方法及装置 | |
| CN118015316B (zh) | 一种图像匹配模型训练的方法、装置、存储介质、设备 | |
| CN117933069B (zh) | 一种基于等离子体的反演代理模型训练方法及装置 | |
| CN116109008B (zh) | 一种业务执行的方法、装置、存储介质及电子设备 | |
| CN116501852B (zh) | 一种可控对话模型训练方法、装置、存储介质及电子设备 | |
| CN117131366B (zh) | 变压器维修设备控制方法、装置、电子设备和可读介质 | |
| CN115862668B (zh) | 机器人基于声源定位判断交互对象的方法和系统 | |
| CN116384506A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
| CN116842570A (zh) | 一种模型训练的方法以及业务风控的方法及装置 | |
| CN117786417A (zh) | 一种模型训练方法、瞬变源的识别方法、装置及电子设备 |
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 |