一种基于大数据技术的射电干涉阵列主波束效应消除方法技术

本发明专利技术公开了一种基于大数据技术的射电干涉阵列主波束效应消除方法，涉及射电天文主波束效应消除技术领域，其技术方案要点是：基于条件生成对抗网络(CGAN)，建立消除观测效应和仪器效应的射电干涉阵成像通用架构ML

【技术实现步骤摘要】
一种基于大数据技术的射电干涉阵列主波束效应消除方法


[0001]本专利技术涉及射电天文主波束效应消除
，更具体地说，它涉及一种基于大数据技术的射电干涉阵列主波束效应消除方法。

技术介绍

[0002]干涉阵列的每个天线都有一个有限的视场，天线的孔径
‑
光照函数(AIF)产生一个方向相关的复增益，并且每个天线通常是不同的，得到的天线功率图称为主波束(primary beam,PB)。干涉阵列的主波束效应体现为天线功率模式随时间、频率和基线而变化，是一种方向相关效应(DD效应或DDE)。由于对于每个真实源是不同的，因此必须在成像过程中进行校正以消除增益影响。射电干涉测量方程(RIME)定义了任意特定DDE参数的解决方案。一旦波束得到精确表示，就可以将其转化为参数化模型(Jones)矩阵的已知结构，可在校准过程中求解。另一种思路是，将DD效应作为成像/反卷积过程的一部分，而需要开发约束良好的参数化模型来描述DD效应以及求解参数化DD项的有效算法。这些方法使得DDE问题相当具有挑战性，修正的可能程度取决于PB模型的准确性。
[0003]现有的修正主波束效应的算法是基于射电干涉测量方程进行求解的，大致可分为两类，即在像面修正(pbcor算法)和在傅里叶平面修正(A
‑
Projection算法)：
[0004](1)图像域主波束修正pbcor算法是修正主波束效应的一种简单方法，通过估计平均主波束或其他模型对模型图像进行反卷积后的图像域分割，可以在反卷积期间对主波束进行校正。算法假定主波束相同且不变，反卷积后划分出一个平均的主波束模型。这种方法忽略了主波束在基线和时间上的变化，因此是近似的，甚至在波束的主瓣内限制了成像动态范围。而且这种方法也不能处理异构数组。
[0005]然而主波束在观测中是不同的，对于alt
‑
az安装天线(如VLA)，PB随时间旋转。对于ALMA，阵列内不同天线的PB值不同。在LWA阵列中，PB形状随天空方向变化。光波束斜视和指向偏移是主要误差的原因，对于孔径阵列，形状不可忽视。
[0006](2)A
‑
Projection算法的优点是在网格化和去网格过程已知的时间和基线可变性都可以被解释。
[0007]然而，在网格化过程中，通过计算两个天线孔径照明函数复共轭的卷积，对每个基线进行时间和基线相关的修正，需要额外的图像域归一化步骤，这可能导致图像是平坦天空(图像只表示天空强度)或平坦噪声(图像表示为天空乘以主波束)。

技术实现思路

[0008]本专利技术的目的是为了解决上述问题，提供一种基于大数据技术的射电干涉阵列主波束效应消除方法，结合条件生成对抗网络的基本思想，针对射电干涉阵列的成像原理，提出基于流形变换学习的条件生成对抗网络模型，用于干涉阵列的图像重建过程中消除主波束效应的技术方案。将原始图像数据作为条件生成对抗网络的条件项，再将包含观测效应的可见度数据作为模型训练的输入。模型将是完全数据驱动的而不是基于先验模型的，直
接从数据中学习包含观测效应的可见度测量数据到天空图像的映射关系，不需要PB模型先验。
[0009]1.本专利技术的上述技术目的是通过以下技术方案得以实现的：一种基于大数据技术的射电干涉阵列主波束效应消除方法，基于条件生成对抗网络(CGAN)，建立消除观测效应和仪器效应的射电干涉阵成像通用架构ML
‑
GAN，以流形近似的自动变换(AUTOMAP)作为生成器，将原始可见度数据映射到目标图像域，从带有误差增益的可见度数据重建图像，消除主波束效应；具体包括以下步骤：
[0010]S1：模拟观测与数据集生成：利用RASCIL等软件进行模拟观测，获得原始图像与可见度数据对，形成数据集；
[0011]S2：模型训练：用损失函数评估模型，根据输入的数据所产生的预测值和原始数据的真实值之间的差距，将条件生成对抗网络损失加入重建过程，生成对抗网络的训练优化目标函数，如下式所示：
[0012][0013]式中x
i
为生成器的输入数据，是频率域上的可见度，它采样于原始天空图像x
r
并受望远镜主波束效应的影响，θ
G
与θ
D
为生成器与判别器的相关参数，G(x
i
)为生成器在对抗学习过程中产生的结果，V(D,G)表示生成图像与真实模型图像的差值。表示当生成器G固定时，判别器D的参数被V(D,G)更新。表示在鉴别器D最大化V(D,G)的条件下，发生器G使V(D,G)最小化；
[0014]S3：将生成的图像与对应的真实图像形成数据对输入判别器网络，真实图像经过判别器的输出标记为1，生成的图像标记为0；结合判别网络和自定义的损失函数调节，自动训练生成网络参数模型，保证图像生成效果；
[0015]S4：主波束效应消除：利用训练好的网络模型消除主波束效应。
[0016]本专利技术进一步设置为：所述生成器的网络结构为：前两层是密集的双曲切线激活，并通过隐藏的n2+1层映射平坦的输入数据；数据被重构为一个n
×
n矩阵，然后数据通过两个卷积层，包含64个滤波器，卷积核核大小为5
×
5和修正的线性激活函数，然后用1个滤波器和7
×
7卷积核进行转置卷积，产生最终的n
×
n图像。
[0017]本专利技术进一步设置为：步骤S2中，仅将含观测效应的可见度数据作为生成器的条件信息。
[0018]本专利技术进一步设置为：所述判别器的网络结构由6个卷积层和1个全连接层构成，通过判别器分类区分生成器生成的重建结果和真实图像。
[0019]本专利技术进一步设置为：所述损失函数包含四个部分：像素图像域均方误差损失L
iMSE
、频域均方误差损失L
fMSE
、感知VGG损失和生成对抗损失。下面分别进行详细介绍；
[0020]均方误差损失的计算如下式所示：
[0021][0022][0023]其中y
r
和是x
r
和G(x
i
)对应的频域数据；
[0024]感知损失的计算式如下式所示：
[0025][0026]Φ(
·
)表示图像的特征，具体来说是预先训练的VGG
‑
16模型。这里提取VGG
‑
16网络的前四层特征图，得到Φ(x
r
)和Φ(G(x
i
))；
[0027]再联合生成器的对抗损失：
[0028][0029]最终的损失函数为：
[0030]L
TOTAL
＝αL
iMSE
+βL
fMSE
+γL
VGG
+L
GAN
。
[0031]通过在生成器的训练过程中，使用多维度损失函数，有利于算法捕捉多维度的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据技术的射电干涉阵列主波束效应消除方法，其特征是：基于条件生成对抗网络(CGAN)，建立消除观测效应和仪器效应的射电干涉阵成像通用架构ML
‑
GAN，以流形近似的自动变换(AUTOMAP)作为生成器，将原始可见度数据映射到目标图像域，从带有误差增益的可见度数据重建图像，消除主波束效应；具体包括以下步骤：S1：模拟观测与数据集生成：利用RASCIL等软件进行模拟观测，获得原始图像与可见度数据对，形成数据集；S2：模型训练：用损失函数评估模型，根据输入的数据所产生的预测值和原始数据的真实值之间的差距，将条件生成对抗网络损失加入重建过程，生成对抗网络的训练优化目标函数，如下式所示：式中x
i
为生成器的输入数据，是频率域上的可见度，它采样于原始天空图像x
r
并受望远镜主波束效应的影响，θ
G
与θ
D
为生成器与判别器的相关参数，G(x
i
)为生成器在对抗学习过程中产生的结果，V(D,G)表示生成图像与真实模型图像的差值。表示当生成器G固定时，判别器D的参数被V(D,G)更新。表示在鉴别器D最大化V(D,G)的条件下，发生器G使V(D,G)最小化；S3：将生成的图像与对应的真实图像形成数据对输入判别器网络，真实图像经过判别器的输出标记为1，生成的图像标记为0；结合判别网络和自定义的损失函数调节，自动训练生成网络参数模型，保证图像生成效果；S4：主波束效应消除：利用训练好的网络模型消除主波束效应。2.根据权利要求1所述的一种基于大数据技术的射电干涉阵列主波束效应消除方法，其特征是：所述生成器的网络结构为：前两层是密集的双曲切线激活，并通过隐藏的n2+1层映射平坦的输入数据；数据被重构为一个n

【专利技术属性】
技术研发人员：张利，陈丽绵，
申请(专利权)人：贵州大学，
类型：发明
国别省市：