基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法技术

基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法，包括以下步骤：多卷积核斜线检测去噪、利用U型网络进行语义级分割、FRB检测、骨架提取、RANSAC拟合、一次矫正、残差矫正。本发明专利技术利用多卷积核斜线检测去噪，并增强快速射电暴信号，利用U型网络对FRB进行分割，并根据分割结果对横向和纵向的相对长度来进行FRB检测。将分割结果使用骨架提取算法进行细化，然后利用RANSAC算法对FRB进行拟合，最终对原始图像进行一次矫正和残差矫正，并计算出色散值等物理参数。本发明专利技术可以很好的增强FRB信号，抑制强噪声信号，解决了天文数据中缺少已标注数据集问题，并解决了传统算法消色散阶段算力消耗巨大的问题。耗巨大的问题。耗巨大的问题。

【技术实现步骤摘要】
基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法


[0001]本专利技术涉及射电天文领域，尤其涉及基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法。

技术介绍

[0002]快速射电暴(Fast Radio Burst，FRB)是一种持续时间仅为数毫秒的爆发性、宽带、高度色散的脉冲式射电辐射天文现象，瞬时辐射流量可达数十央斯基(Jy)。2007年，Lorimer在分析澳大利亚Parkes天文台脉冲星巡天的历史数据时首次发现了这种天文现象。到目前，FRB的许多属性仍然未知。因此，需要基于大量的FRB观测数据进行研究，以回答与其起源和发射机理有关的问题。目前，国际上越来越多的望远镜开始寻找FRB，而国内以FAST为代表的射电望远镜也开展了FRB搜寻观测，并产出了重要的科学成果。随着FRB观测和研究的开展，海量观测数据FRB搜寻技术瓶颈也逐渐显现出来：FRB的一次性、瞬态特性，对FRB实时搜寻精度和速度具有很高的要求。因此，高速率和高精度的FRB检测搜寻技术对于实现选择性实时电压数据转储至关重要。
[0003]目前，这些单脉冲事件，由自动化、高性能的基于消色散理论的软件进行搜寻，如HEIMDALL、FDMT、Bonsai、Presto等。这些软件对于离线处理和较低的数据速率是能够满足处理速度需求的。由于射频干扰(RFI)、系统增益变化或者其他的因素，其筛查工作是由人工进行的。但随着FRB观测数据量的增加，传统的人工筛查方式已难以为继。近些年，由于计算机技术和GPU的发展，深度学习在所有数据科学领域的信号分类、模式识别等方面取得了卓越的成绩。深度学习已成功应用于射电天文领域，如脉冲星候选体的识别和分类。深度学习需要非常大的数据集训练网络来实现高性能，但是，到目前为止，已检测到的FRB数量仅有两位数，不足以为深度学习建立有意义的训练集。

技术实现思路

[0004]为克服上述问题，本专利技术提供基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法。
[0005]本专利技术采用的技术方案是：基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法包括以下步骤：
[0006](1)利用多核斜线检测去噪；对FRB的时频图进行滑窗操作，将原图、去噪结果图和膨胀结果进行通道维度的拼接，获得神经网络的输入图；
[0007](2)利用U型网络进行语义级分割；利用U型网络对FRB时频图像进行二值分割；
[0008](3)FRB检测；将二值分割结果，分别对横向w和纵向h进行投影，计算其投影像素量分别占横向w和纵向h的百分比率，若比率大于δ，则将其判定为FRB候选体；
[0009](4)骨架提取；利用骨架提取算法对预测的FRB候选体结果进行处理，得到FRB的细化骨架；
[0010](5)对FRB曲线进行拟合；
[0011](6)一次矫正；利用拟合表达式，对原图、二值分割结果、骨架提取结果，分别进行首次矫正；
[0012](7)残差矫正；利用新的表达式，对原图、二值分割结果、骨架提取结果，分别进行二次矫正。
[0013]进一步，所述步骤1包括以下步骤：
[0014]1a)生成多种斜率；FRB信号特征符合已知表达式，利用色散值创建表达式，根据频率进行分段，得到多个不同的斜率；
[0015]1b)构建斜线检测卷积核；对步骤1a中得到的每个斜率，生成不同尺寸的卷积核；
[0016]1c)利用卷积核进行去噪和信号增强；采用步骤1b中生成的卷积核对FRB的时频图进行滑窗操作，在不同频率段进行分段卷积，并进行拼接、加和操作，生成去噪结果，并将去噪结果进行形态学膨胀；最终，将原图、去噪结果图和膨胀结果进行通道维度的拼接，获得神经网络的输入图。
[0017]进一步，所述步骤1a中，FRB符合如下表达式：
[0018][0019]式中，v
lo
和v
hi
分别为最低频率和最高频率，DM为色散值，Δt是时间差。
[0020]进一步，所述步骤1c中，对所采集的时频数据进行滑窗操作，具体为，2S作为一个窗口，步长为1S。
[0021]进一步，所述步骤2包括以下步骤：
[0022]2a)利用FRB信号特征表达式，构造大量伪样本，标签为FRB分割结果；
[0023]2b)构建U型网络，其编码器为在ImageNet上预训练的ResNet
‑
34模型，利用步骤2a得到的数据集进行训练，其损失函数为Tversky loss和二值交叉熵损失；
[0024]2c)对步骤2b所得到的结果进行端对端的二值分割。
[0025]进一步，所述步骤2b中损失函数的定义如下：
[0026]Loss_fun＝T(A，B)+BCE(A，B)
ꢀꢀ
(2)
[0027]其中，T(A，B)为Tversky loss：
[0028][0029]式中，A表示output，B为label，在T(A，B)中，|A
‑
B|表示FP假阳性，|B
‑
A|表示FN假阴性，α和β分别控制假阴性和假阳性，BCE(A，B)为二元交叉熵损失。
[0030]进一步，步骤2b中，调整α和β控制假阳性和假阴性之间的权衡；α和β的取值为，α＝0.3，β＝0.7。
[0031]进一步，所述步骤5包括以下步骤：
[0032]5a)利用RANSAC算法依次逐步遮挡左部分噪点和右部分噪点，对FRB曲线进行拟合，生成两条拟合表达式；对两拟合表达式取平均，得到最终表达式；
[0033]5b)根据RANSAC算法的最终拟合参数，计算DM值。
[0034]进一步，步骤5a、5b中RANSAC算法流程如下：
[0035](5.1)考虑一个最小抽样集的势为n的模型(n为初始化模型参数所需的最小样本数)和一个样本集P，集合P的样本数#(P)>n，从P中随机抽取包含n个样本的P的子集S初始化
模型M；
[0036](5.2)余集SC＝P\S中与模型M的误差小于某一设定阈值t的样本集以及S构成S*。S*认为是内点集，它们构成S的一致集(Consensus Set)；
[0037](5.3)若#(S*)≥N，认为得到正确的模型参数，并利用集S*(内点inliers)采用最小二乘等方法重新计算新的模型M*；重新随机抽取新的S，重复以上过程。
[0038](5.4)在完成一定的抽样次数后，若未找到一致集则算法失败，否则选取抽样后得到的最大一致集判断内外点，算法结束。
[0039]进一步，所述步骤7包括以下步骤：
[0040]7a)利用已经矫正的骨架提取结果，收集矫正结果邻域的像素位置，计算得到每一行的偏差，其中缺失的部分利用线性插值进行处理，并得到新的表达式；
[0041]7b)利用新的表达式，对原图、二值分割结果、骨架提取结果，分别进行二次矫正。
[0042]本专利技术的原理是：对所采集的时频数据进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法，其特征在于，包括以下步骤：(1)利用多核斜线检测去噪；对FRB的时频图进行滑窗操作，将原图、去噪结果图和膨胀结果进行通道维度的拼接，获得神经网络的输入图；(2)利用U型网络进行语义级分割；利用U型网络对FRB时频图像进行二值分割；(3)FRB检测；将二值分割结果，分别对横向w和纵向h进行投影，计算其投影像素量分别占横向w和纵向h的百分比率，若比率大于δ，则将其判定为FRB候选体；(4)骨架提取；利用骨架提取算法对预测的FRB候选体结果进行处理，得到FRB的细化骨架；(5)对FRB曲线进行拟合；(6)一次矫正；利用拟合表达式，对原图、二值分割结果、骨架提取结果，分别进行首次矫正；(7)残差矫正；利用新的表达式，对原图、二值分割结果、骨架提取结果，分别进行二次矫正。2.如权利要求1所述的基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法，其特征在于：所述步骤1包括以下步骤：1a)生成多种斜率；FRB信号特征符合已知表达式，利用色散值创建表达式，根据频率进行分段，得到多个不同的斜率；1b)构建斜线检测卷积核；对步骤1a中得到的每个斜率，生成不同尺寸的卷积核；1c)利用卷积核进行去噪和信号增强；采用步骤1b中生成的卷积核对FRB的时频图进行滑窗操作，在不同频率段进行分段卷积，并进行拼接、加和操作，生成去噪结果，并将去噪结果进行形态学膨胀；最终，将原图、去噪结果图和膨胀结果进行通道维度的拼接，获得神经网络的输入图。3.如权利要求2所述的基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法，其特征在于：所述步骤1a中，FRB符合如下表达式：式中，v
lo
和v
hi
分别为最低频率和最高频率，DM为色散值，Δt是时间差。4.如权利要求2所述的基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法，其特征在于：所述步骤1c中，对所采集的时频数据进行滑窗操作，具体为，2S作为一个窗口，步长为1S。5.如权利要求3所述的基于斜线检测和曲线拟合消色散的快速射电暴搜寻方法，其特征在于：所述步骤2包括以下步骤：2a)利用FRB信号特征表达式，构造大量伪样本，标签为FRB分割结果；2b)构建U型网络，其编码器为在ImageNet上预训练的ResNet
‑
34模型，利用步骤2a得到的数据集进行训练，其损失函数为Tverskyloss和二值交叉熵损失；2c)对步骤2b所得到...

【专利技术属性】
技术研发人员：何领，陈华曦，肖一凡，张永坤，冯毅，李菂，王培，
申请(专利权)人：之江实验室，
类型：发明
国别省市：