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。
...

【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：