發(fā)布時間：2023-12-24 19:33

　　在并不遙遠的將來,天文學家將能基于迄今為止世界上最大的射電望遠鏡陣列SKA探測來自宇宙再電離時期(EoR)的信號,研究宇宙的演化歷史和第一代天體的形成。然而EoR信號非常微弱且受到宇宙前景輻射信號的干擾,探測的難度巨大。在各類干擾源中,以河外點源為代表的小尺度天體數量巨大,形態(tài)復雜且亮度動態(tài)范圍大,已構成EoR信號探測道路上最大的障礙之一。除此之外,SKA的高靈敏度和高分辨率也將使我們能夠探測到更多形態(tài)復雜且輻射強度非常微弱的點源,從而進一步影響EoR信號的探測精度。面對海量且復雜的觀測數據,傳統(tǒng)的信號處理方法存在過于依賴經驗、準確率不足和魯棒性低等弱點。深度學習作為一類重要的以數據驅動的機器學習算法,已借助其優(yōu)異的特征提取和表征能力,在目標識別、圖像分類和模擬等領域取得了卓越表現。本文借助CDA和FIRST等X射線和射電波段的海量觀測圖像和數據,采用深度學習模型和算法,提出了針對小尺度天體輻射信號的探測、分類以及模擬的閉環(huán)信號處理框架和處理算法。本工作的創(chuàng)新點及主要成果包括:1.以錢德拉X射線天文臺(CXO)的觀測圖像為基礎,開展了小尺度點源和空洞探測算法的研究,提出了基于橢圓高斯濾...

【文章頁數】：184 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
縮略詞對照表
主要符號對照表
第一章 緒論
    1.1 選題背景與研究意義
    1.2 前景信號的組成及其特點
        1.2.1 大尺度信號—銀河系同步輻射與自由-自由輻射
        1.2.2 中尺度信號—星系團
        1.2.3 小尺度信號—河外點源
        1.2.4 小尺度河外點源的理論建模
    1.3 相關天文觀測與數據庫
        1.3.1 X射線天文觀測與儀器
        1.3.2 射電天文觀測與儀器
        1.3.3 本工作所使用的天文數據庫
    1.4 深度學習的研究現狀及其在天文信號處理中的應用
        1.4.1 深度學習的發(fā)展歷史與應用現狀
        1.4.2 深度學習在天文信號處理中的應用
        1.4.3 本文所使用的深度學習框架
    1.5 論文的組織結構
第二章 針對X射線小尺度點源和空洞探測算法的研究
    2.1 引言
    2.2 X射線小尺度天體輻射信號的探測流程及信號特點
        2.2.1 X射線小尺度天體輻射信號的探測流程
        2.2.2 點源信號特點及現有探測算法
        2.2.3 X射線空洞的特點及現有探測方法
    2.3 樣本均衡化處理方法
    2.4 X射線圖像小尺度點源的探測算法
        2.4.1 基于橢圓高斯濾波器模板匹配的候選點源定位算法
        2.4.2 基于粒度化二叉樹支持向量機的點源探測算法
    2.5 基于粒度化卷積神經網絡的X射線空洞探測算法
        2.5.1 X射線空洞分類器的設計
        2.5.2 X射線空洞的定位算法
    2.6 實驗與結果
        2.6.1 Chandra觀測圖像的預處理流程
        2.6.2 點源探測算法的測試與結果討論
        2.6.3 X射線空洞探測算法的測試與結果討論
    2.7 本章小結
第三章 基于半監(jiān)督學習的射電星系形態(tài)分類算法的研究
    3.1 引言
    3.2 射電星系形態(tài)分類及樣本篩選
        3.2.1 射電星系形態(tài)及分類
        3.2.2 射電星系形態(tài)的人工標記流程和樣本篩選規(guī)則
        3.2.3 射電星系樣本集的組建
    3.3 訓練及學習策略
        3.3.1 基于遷移學習的訓練策略
        3.3.2 基于半監(jiān)督學習的訓練策略
    3.4 射電星系形態(tài)分類網絡設計
        3.4.1 VGG-X網絡
        3.4.2 自定義的小規(guī)模網絡MCRGNet
    3.5 實驗與結果
        3.5.1 FIRST巡天觀測圖像的預處理流程及相關算法
        3.5.2 用于射電星系分類網絡訓練的數據集準備
        3.5.3 用于分類網絡訓練的損失函數及評估指標
        3.5.4 VGG-X網絡的訓練及結果
        3.5.5 MCRGNet的訓練與結果
        3.5.6 針對unLRG樣本的分類結果
    3.6 射電星系形態(tài)分類算法的對比與實驗結果討論
        3.6.1 遷移學習與半監(jiān)督學習策略的對比與討論
        3.6.2 MCRGNet與人工標記結果的對比
        3.6.3 有關單全連接層和64 維特征向量的討論
        3.6.4 射電星系形態(tài)分類網絡的不確定度分析
        3.6.5 FRI和 FRII型射電星系的統(tǒng)計分析與對比
    3.7 本章小結
第四章 基于殘差學習單元和自動編碼器的射電星系形態(tài)模擬算法的研究
    4.1 引言
    4.2 殘差卷積學習單元
    4.3 基于殘差卷積自動編碼器和高斯混合模型的算法
        4.3.1 殘差卷積自動編碼器(ResAE)的網絡結構
        4.3.2 針對ResAE的損失函數與訓練策略
        4.3.3 基于GMM的特征分布估計與樣本生成
    4.4 基于殘差卷積條件變分自動編碼器的算法
        4.4.1 變分自動編碼器(VAE)
        4.4.2 條件變分自動編碼器(CVAE)
        4.4.3 針對ResCVAE的損失函數與訓練策略
        4.4.4 基于ResCVAE的射電星系圖像生成算法
    4.5 實驗與算法對比
        4.5.1 數據預處理與訓練集準備
        4.5.2 算法評估指標與評估方法
        4.5.3 實驗結果與討論
        4.5.4 FRI/II型射電星系的圖像模擬
    4.6 本章小結
第五章 針對SKA的低頻射電天空仿真和觀測模擬軟件的設計與開發(fā)
    5.1 針對SKA的低頻射電觀測仿真和模擬軟件的模塊構成
        5.1.1 低頻射電天空仿真模塊
        5.1.2 針對SKA的觀測模擬和成像模塊
    5.2 河外射電點源仿真模塊
        5.2.1 射電點源形態(tài)生成方法
        5.2.2 模擬參數設定與獲取方法
        5.2.3 坐標系統(tǒng)與投影方式
    5.3 本工作中的開發(fā)難點與改進方向
    5.4 本章小結
第六章 總結與展望
    6.1 本文工作總結
    6.2 未來研究展望
附錄 A t分布隨機近鄰嵌入(t-SNE)算法
附錄 B 針對二叉分類樹的結構化概率
附錄 C 代碼與數據集
    C.1 小尺度天體輻射信號的探測算法
    C.2 射電星系形態(tài)的分類算法
    C.3 射電星系形態(tài)的生成算法
參考文獻
致謝
攻讀學位期間發(fā)表的學術論文
攻讀學位期間參與的項目



本文編號：3875169