一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法技术

本发明专利技术提出一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法，所述方法利用高通滤波器滤掉实际探测时存在的低频成分及红噪声成分；将滤波得到的信号进行自相关处理，提取其自相关函数，降低噪声的干扰；之后对自相关函数进行双谱变换，提取其双谱信息，进一步免疫非二次相位耦合噪声的干扰；之后将双谱图片送入深度卷积神经网络进行分类任务训练，确定网络的参数模型；最后利用训练完毕的网络对脉冲星信号进行分类。本发明专利技术所提出的基于深度卷积神经网络的脉冲星信号双谱辨识方法能够对脉冲星信号进行有效识别。

A method of weak X-ray pulsar signal identification based on bispectrum and deep convolution neural network

【技术实现步骤摘要】
一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法
本专利技术属于微弱周期信号的辨识
，特别是涉及一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法。
技术介绍
X射线脉冲星是辐射光子能量集中于X射线频段、自转周期稳定、磁轴与自转轴倾角固定的一类旋转供能中子星。这些宇宙“灯塔”是研究大尺度时空、建立计时基准、实现深空导航的重要资源。X射线脉冲星导航稳定性强，保密性好，不受人为干扰，可以实现完全自主导航，同时其可以解决航天器的授时难题，实现大尺度时空下的导航问题。X射线脉冲星导航的首要工作是辨识脉冲星，识别出所观测到的信号来自于导航数据库中的哪颗脉冲星，而辨识的快速性和准确性是导航实时性和稳定性的重要保障，其中快速性是指完成辨识工作所需的观测时间长短，准确性是指所观测到的脉冲星信号的分类准确率。然而X射线脉冲星距离太阳系遥远，传播到航天器的光子常常淹没在宇宙背景噪声中，表现为一些十分精准的周期未知、脉宽未知的微弱周期信号隐藏在探测器的随机输出噪声中。脉冲星信号的基本检测流程包括频域傅里叶方法搜索脉冲星信号的待定点，时域上根据待定点进行历元折叠，即按照一系列待定周期将等间隔序列的数据流折叠到同一个相位窗中，最后基于卡方统计理论寻求脉冲信号的轮廓信息。然而上述流程存在一些待克服的难关，包括一维频谱对高斯和非高斯过程不免疫，抗干扰和抗噪性差，频域上过多的待定脉冲星必然会增大虚警概率和计算量。历元折叠算法严重依赖于折叠周期的精度，不准确的折叠周期会导致轮廓失真和相位偏移，这就需要在待定点附近的周期搜索步距非常小，对应着大额的计算支出。同时寻求轮廓信息的过程基于卡方统计理论进行，信号的陡峭程度和部分主观判断作为评判标准，没有利用到脉冲星的先验信息且受人为影响较大。
技术实现思路
本专利技术目的在于克服现有技术方案在辨识低信噪比的X射线脉冲星信号时表现的不足，提出了一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法。所述方法能充分发挥高阶谱的降噪特性和深度卷积神经网络的特征挖掘能力，从而适用于进一步的导航相位信息提取以及新星搜索。本专利技术是通过以下技术方案实现的，本专利技术提出一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法，所述方法包括以下步骤：步骤1、利用高通滤波器对X射线脉冲星光子时序信号进行预处理消除低频成分；步骤2、将预处理后得到的脉冲星信号进行自相关处理，提取其自相关函数；步骤3、对所述自相关函数进行双谱变换，提取其双谱信息，从而利用直接估计法估计双谱，对双谱进行截取确定用来训练的区域；之后对双谱进行归一化处理，将其值大小映射到0～255之间并以jpg格式保存为图片，即双谱图片；步骤4、将双谱图片送入深度卷积神经网络进行分类任务训练，确定网络的参数模型；最后利用训练完毕的网络对脉冲星信号进行分类。进一步地，在步骤1中，所述高通滤波器采用32阶滤波器，设探测器接收到的X射线脉冲星光子时序信号为x(n)，32阶滤波器的系数为Ai，则预处理后的脉冲星信号xb(n)为：其中，n表示采样时刻，i为中间变量。进一步地，在步骤2中，脉冲星信号的自相关函数Rxx(k)为：其中，N是脉冲星信号长度，k表示信号延迟的采样点数，所述自相关函数反映了信号在不同时刻的相关性，不同段信号的自相关函数直接累加到一起。进一步地，在所述步骤3中，首先求取自相关函数Rxx(k)的傅里叶序列为：其中，u表示频域变量；之后求取自相关函数Rxx(k)的双谱为：其中*表示共轭运算；估计双谱后进行降采样处理，所述降采样采用非均匀采用方法，即围绕基波和二次谐波中心频率进行密集采样，其余位置进行均匀采样。进一步地，在步骤4中，假设B(k′1,k′2)为降采样后的输入层二维信息，其中k′1,k′2为降采样后的序列索引，h是卷积层参数，那么输出层y(k′1,k′2)表示如下：其中i，j为中间变量。本专利技术的有益效果：本专利技术提出了一种将现代信号处理技术同深度卷积神经网络相结合的脉冲星信号双谱辨识方法。该方法抗噪性强从根本上降低了观测时长的要求，计算开销小且不需要周期搜索、历元折叠的繁琐步骤，无论是执行效率还是准确率都远远优于传统方法。同时使用机器进行分类完美排除了主观因素的影响。附图说明图1为本专利技术所述辨识方法流程图；图2为32阶高通滤波器的幅度响应曲线图；图3为双谱域示意图；其中f1，f2为两个频率变量；图4为双谱选定用来训练的区域示意图；图5为从卷积层中提取双谱特征的示意图；图6为网络对脉冲星信号的分类结果示意图。具体实施方式下面将结合本专利技术实施例中的附图对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术利用高通滤波器滤掉实际探测时存在的低频成分及红噪声成分；将滤波得到的信号进行自相关处理，提取其自相关函数，降低噪声的干扰；之后对自相关函数进行双谱变换，提取其双谱信息，进一步免疫非二次相位耦合噪声的干扰；之后将双谱图片送入深度卷积神经网络进行分类任务训练，确定网络的参数模型；最后利用训练完毕的网络对脉冲星信号进行分类。结合图1，本专利技术提出一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法，所述方法包括以下步骤：步骤1、利用高通滤波器对X射线脉冲星光子时序信号进行预处理消除低频成分；探测器的设计虽在一定程度上能够抑制宇宙背景噪声，但难以避免探测器、数据采集系统的抖动引入的低频成分，这些低频成分出现时往往幅值较大，仅通过去均值的处理不能消掉，会对后续的时域和频域分析产生较大影响，这里采用32阶滤波器对信号进行预处理消除这些低频成分。导航脉冲星的自转频率一般超过6Hz，而低频成分集中分布在1Hz以内，因此高通滤波器的阻带和通带截止频率分别设置为0.1Hz和4.5Hz，其幅度响应曲线如图2所示。设探测器接收到的X射线脉冲星光子时序信号为x(n)，32阶滤波器的系数为Ai，则预处理后的脉冲星信号xb(n)为：其中，n表示采样时刻，i为中间变量。步骤2、将预处理后得到的脉冲星信号进行自相关处理，提取其自相关函数；脉冲星真实搜索数据中的绝大多数噪声非常接近于高斯白噪声，在时间上相关性极弱可以认为是独立的，而对于脉冲星光子时序信号来说，其稳定的周期性决定了其在时域上具有极强的相关性。因此，本专利技术提取光子时序信号经预处理后得到的脉冲星信号的自相关函数，用于进一步抑制噪声。脉冲星信号的自相关函数Rxx(k)为：其中，N是脉冲星信号长度，k表示信号延迟的采样点数，在长期观测中可能遇到星体遮挡、电磁污染过大、南大西本文档来自技高网...

【技术保护点】
1.一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法，其特征在于：所述方法包括以下步骤：/n步骤1、利用高通滤波器对X射线脉冲星光子时序信号进行预处理消除低频成分；/n步骤2、将预处理后得到的脉冲星信号进行自相关处理，提取其自相关函数；/n步骤3、对所述自相关函数进行双谱变换，提取其双谱信息，从而利用直接估计法估计双谱，对双谱进行截取确定用来训练的区域；之后对双谱进行归一化处理，将其值大小映射到0～255之间并以jpg格式保存为图片，即双谱图片；/n步骤4、将双谱图片送入深度卷积神经网络进行分类任务训练，确定网络的参数模型；最后利用训练完毕的网络对脉冲星信号进行分类。/n

【技术特征摘要】
1.一种基于双谱和深度卷积神经网络的微弱X射线脉冲星信号辨识方法，其特征在于：所述方法包括以下步骤：
步骤1、利用高通滤波器对X射线脉冲星光子时序信号进行预处理消除低频成分；
步骤2、将预处理后得到的脉冲星信号进行自相关处理，提取其自相关函数；
步骤3、对所述自相关函数进行双谱变换，提取其双谱信息，从而利用直接估计法估计双谱，对双谱进行截取确定用来训练的区域；之后对双谱进行归一化处理，将其值大小映射到0～255之间并以jpg格式保存为图片，即双谱图片；
步骤4、将双谱图片送入深度卷积神经网络进行分类任务训练，确定网络的参数模型；最后利用训练完毕的网络对脉冲星信号进行分类。


2.根据权利要求1所述的方法，其特征在于：在步骤1中，所述高通滤波器采用32阶滤波器，设探测器接收到的X射线脉冲星光子时序信号为x(n)，32阶滤波器的系数为Ai，则预处理后的脉冲星信号xb(n)为：



其中，n表示采样时刻，i为中间变量。


3.根据权利要...

【专利技术属性】
技术研发人员：金晶，姜宇，李丹丹，赵悦，沈毅，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙;23