基于机器学习的射频干扰识别研究
平方公里阵射电望远镜(SquareKilometreArray,SKA)是即将建成的世界上最大的射电望远镜，这项伟大的工程需要在前期进行充足的模拟工作，以便对之后的建设起到指导作用。对观测得到的可见度数据中的射频干扰(RadioFrequencyIn-terference，RFI)进行标记对SKA来说是一项意义重大的工作。本文利用SKA的算法参考库(RadioAstronomySimulationCalibrationandImagingLibrary，RASCIL)对观测数据以及干扰进行模拟，并参考了氢原子宇宙再电离时代阵列(HydrogenEpochofReionizationArray,HERA)的RFI模拟方法来丰富了RFI的多样性。最后利用机器学习的方法对RFI进行了识别。在本文中，第一章介绍了射电数据的存储背景以及当前主流的RFI标记方法。在第二章中我们针对SAK射电数据交换的需求开发了基于python-casacore的测量集文件生成方法。第三章详细介绍了射电干涉阵的观测原理并给出了利用SKA的算法参考库(RASCIL)对观测数据进行模拟的具体方法。第四章提出Le-Net这一深度卷积神经网络架构对RFI进行识别，并将Le-Net对RFI的识别结果与射电天文领域经典的射频干扰识别软件AOlfagger进行了对比分析，最终得到的RFI识别模型的识别正确率达到了98.8%，其中网络对RFI识别的召回率达到89.3%，精确度达到99%。在第五章中我们对弱RFI的识别进行了讨论。本文证明了深度学习在射电天文中的优势，同时也预示着深度学习将可能在未来射电天文数据的RFI标记中发挥关键作用。
射频干扰;深度学习;射电天文;平方公里阵;卷积神经网络
广州大学
硕士
天文学
邓辉
2021
中文
P111.44
2022-04-20（万方平台首次上网日期，不代表论文的发表时间）