【技术实现步骤摘要】
本专利技术涉及射电天文学数据立方体处理，具体涉及一种基于混合专家模型和多高斯拟合的多频率射电源建模方法。
技术介绍
1、射电望远镜的观测频率覆盖了从数百赫兹到数十吉赫兹的宽广频段，使其能够观测天体的丰富射电信息，这些数据通常以三维数据立方体的形式存储，其中两个维度对应空间位置，另一个维度对应观测频率。数据立方体的前景源(射电源)包含重要的天文物理信息。射电望远镜设备参数的不同设置产生的数据立方体中频率数也不同，而数据立方体中射电源的不同频率之间的信息是有高度相关性的，如频率变化下的光谱能量分布或形态特征，然而，现有技术在处理这类数据时存在显著的局限性。传统的目标检测方法只对单频率的二维图像进行目标(射电源)查找，对于多频率的数据立方体，只能对每个频率去检测，效率低且计算资源消耗多，检测的同时忽略了相邻频率的相关性以及检测指标有待提高,现有目标检测方法在处理复杂场景(如密集星场或低信噪比背景)时表现出较大的局限性，容易受到噪声干扰或背景复杂性的影响。而且传统目标检测方法通常依赖单一检测模型，难以应对多样化的射电源特征，导致在高密度、亮度极端(过亮或过暗)等复杂场景下的性能显著下降。传统的二维高斯拟合只对单频率的二维图像中的射电源进行拟合，未能充分利用多频率数据中的丰富信息，将三维数据立方体切分为多个二维图像进行处理，导致频率维度的信息被割裂，无法在拟合时全面考虑射电源在空间和频率上的整体分布特性，从而难以准确揭示射电源的物理属性，如频谱分布或结构随频率的演化。
技术实现思路
1、针对
2、为实现上述目的，本专利技术提供了如下技术方案，包括以下步骤：
3、一种基于混合专家模型和多高斯拟合的多频率射电源建模方法，将多频率数据立方体依据训练策略划分为n份，分别送入n个目标检测方法进行独立训练，每个目标检测方法的最优模型联合形成混合专家模型，混合专家模型用于训练所有数据，生成混合专家模型的最优模型，并对所有的射电数据进行目标检测，输出射电源的三维坐标信息，利用多高斯拟合方法对多频率数据立方体进行拟合，最终重建输出三维模型，具体包括以下步骤：
4、步骤1.构建射电图像标注数据集：根据射电望远镜阵列的设备参数，结合观测数据，利用oskar模拟软件生成射电图像标注数据集，射电图像标注数据集包含模拟多频率观测数据立方体，多频率观测数据立方体内目标的空间位置和频率分布位置；
5、步骤2.生成目标检测方法的最佳模型：将射电图像标注数据集划分为n个子数据集，分别利用n个目标检测方法训练，获取每个目标检测方法的最佳模型；
6、步骤3.生成混合专家模型的最佳模型：通过n个目标检测方法的最佳模型分别训练n个子数据集，混合专家模型在训练过程中对步骤2获取的n个目标检测方法的最佳模型的输出进行卷积和下采样，结合完成初始化的门控网络，获取动态权重并融合输出结果，根据验证损失比较，得到混合专家模型的最佳模型，用于检测多频率观测数据立方体，得到多频率观测数据立方体的类别和位置信息，门控网络动态调整目标检测方法权重的向量，以提升混合专家模型的平均精度、f1分数和召回率；
7、步骤4.重建射电源的三维高斯模型：基于步骤3获取的多频率观测数据立方体的类别和位置信息，将射电源切割为单独的数据立方体，构建初始的多高斯模型，通过损失函数和minimize函数最小化初始多高斯模型与数据立方体之间的差异，在数据立方体中求解多高斯模型的最优参数；基于多高斯模型的最优参数重建射电源的三维模型，并进行可视化和残差评估。
8、进一步，步骤1中，根据不同射电源的可观测频率区间存在差异的特性，建立一个增加了频率标签的深度卷积神经网络模型，直接预测输出射电源的三维坐标，对深度卷积神经网络的特征提取骨干网络进行优化，并增加通道注意力机制，深度卷积神经网络输出目标的空间位置和频率信息。
9、进一步，步骤2中，根据射电源的分布特性、亮度特性和类别特性分为特征明显的子数据集，确定子数据集和目标检测方法的数量n，根据每个子数据集的特性，分别利用n个目标检测方法对n个子数据集进行训练，通过反复迭代优化网络参数，生成n个目标检测方法的最佳模型，以获取不同的子数据集中的不同特征信息。
10、进一步，步骤3中，混合专家模型包括门控网络和对各个目标检测方法的输出进行卷积和下采样，获取动态权重和融合输出结果；门控网络包括四层全连接层和层间的激活函数和dropout函数，门控网络输入数据立方体的特征向量，动态调整并输出归一化后的每个目标检测方法的权重，实现不同目标检测方法输出的加权融合。
11、进一步，步骤4中，对数据立方体进行3sigma处理，剔除异常值和噪声，再进行归一化确保收敛速度；多高斯拟合方法遍历不同的优化方法参数求解最佳多高斯模型参数。
12、综上所述，专利技术具有如下有益效果：
13、本专利技术在传统的目标检测神经网络基础上，将多个目标检测方法组合形成混合专家模型，充分利用不同目标检测方法的优势，实现对多频率射电源的精确检测；本专利技术能够同时考虑不同频率之间的关联性，给出目标的空间信息和频率分布信息。
14、本专利技术利用多高斯拟合方法，对混合专家模型检测到的三维目标进行拟合，寻找最优的多高斯参数，这些多高斯参数结合了空间信息和多频率间的相关性，能够直接构建出射电源的三维模型。相比于传统二维空间模型和一维频率模型，本专利技术的三维模型更直接更全面，更符合物理解释且拟合残差更小，为后续天文研究提供了更全面的数据信息。
15、本专利技术对多频率射电数据立方体进行实时的端到端的射电源检测及建模分析，输出可靠的射电源三维坐标及多高斯参数重要天文参数，用于射电天文数据立方体中多频率射电源的三维建模及特征分析，特别适用于大视场射电观测数据中的射电源目标检测、频率相关性提取以及精确的多高斯拟合建模。
本文档来自技高网...【技术保护点】
1.一种基于混合专家模型和多高斯拟合的多频率射电源建模方法，其特征在于，将多频率数据立方体依据训练策略划分为n份，分别送入n个目标检测方法进行独立训练，每个目标检测方法的最优模型联合形成混合专家模型，混合专家模型用于训练所有数据，生成混合专家模型的最优模型，并对所有的射电数据进行目标检测，输出射电源的三维坐标信息，利用多高斯拟合方法对多频率数据立方体进行拟合，最终重建输出三维模型，具体包括以下步骤：
2.根据权利要求1所述的基于混合专家模型和多高斯拟合的多频率射电源建模方法，其特征在于，所述步骤1中，根据不同射电源的可观测频率区间存在差异的特性，建立一个增加了频率标签的深度卷积神经网络模型，直接预测输出射电源的三维坐标，对深度卷积神经网络的特征提取骨干网络进行优化，并增加通道注意力机制，深度卷积神经网络输出目标的空间位置和频率信息。
3.根据权利要求1所述的基于混合专家模型和多高斯拟合的多频率射电源建模方法，其特征在于，所述步骤2中，根据射电源的分布特性、亮度特性和类别特性分为特征明显的子数据集，确定子数据集和目标检测方法的数量n，根据每个子数据集的特性，
4.根据权利要求1所述的基于混合专家模型和多高斯拟合的多频率射电源建模方法，其特征在于，所述步骤3中，混合专家模型包括门控网络和对各个目标检测方法的输出进行卷积和下采样，获取动态权重和融合输出结果；
5.根据权利要求1所述的基于混合专家模型和多高斯拟合的多频率射电源建模方法，其特征在于，所述步骤4中，对数据立方体进行3sigma处理，剔除异常值和噪声，再进行归一化确保收敛速度；
...【技术特征摘要】
1.一种基于混合专家模型和多高斯拟合的多频率射电源建模方法，其特征在于，将多频率数据立方体依据训练策略划分为n份，分别送入n个目标检测方法进行独立训练，每个目标检测方法的最优模型联合形成混合专家模型，混合专家模型用于训练所有数据，生成混合专家模型的最优模型，并对所有的射电数据进行目标检测，输出射电源的三维坐标信息，利用多高斯拟合方法对多频率数据立方体进行拟合，最终重建输出三维模型，具体包括以下步骤：
2.根据权利要求1所述的基于混合专家模型和多高斯拟合的多频率射电源建模方法，其特征在于，所述步骤1中，根据不同射电源的可观测频率区间存在差异的特性，建立一个增加了频率标签的深度卷积神经网络模型，直接预测输出射电源的三维坐标，对深度卷积神经网络的特征提取骨干网络进行优化，并增加通道注意力机制，深度卷积神经网络输出目标的空间位置和频率信息。
3....
【专利技术属性】
技术研发人员：贾鹏，张衡，李格，程茇峰，徐胭艳，李凯阳，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。