引力波候选信号的搜寻方法技术

本发明专利技术提供了一种引力波候选信号的搜寻方法

【技术实现步骤摘要】
引力波候选信号的搜寻方法、电子设备和介质


[0001]本专利技术涉及信号搜寻
，尤其涉及一种引力波候选信号的搜寻方法
、
电子设备和介质
。

技术介绍

[0002]引力波，指时空弯曲中的涟漪通过波的形式从辐射源向外传播，这种波以引力辐射的形式传输能量；爱因斯坦曾提出广义相对论，并预言了引力波的存在，而直到近年来人类才第一次实验探测并验证了引力波，自此美国激光干涉引力波天文台
(LIGO)
和欧洲室女座干涉仪
(Virgo)
已经联合完成了三轮运行，采集并发布了大量的真实观测数据
。
[0003]其中，引力波的发现对天文宇宙学发展以及宇宙探索有着重大性意义，因为引力波搜寻将弥补电磁波和光学探测的不足，可以探测宇宙更远更深入的情况，故当前科研人员提出了不同的方法来搜寻其中的引力波候选信号
。
[0004]然而，现有引力波候选信号搜寻方法大都基于匹配滤波的方法，并通过计算信噪比来确定候选信号，此类匹配滤波方法需要通过滑窗的方式遍历所有数据，并需要生成大量的模板来完成匹配，使得当前搜寻方法的算力需求大且耗时长，且由于在匹配滤波过程中，需将一维时序引力波数据转化为二维图像或转换到二维时频域进行计算，进一步影响了当前搜寻方法的搜寻速度和搜寻准确率，使得当前搜寻方法的搜寻速度慢
、
搜寻准确率低
。

技术实现思路

[0005]以下是对本文详细描述的主题的概述
。
本概述并非是为了限制权利要求的保护范围
。
[0006]本专利技术实施例提供了一种引力波候选信号的搜寻方法
、
电子设备和介质，旨在基于深度学习算法直接对一维时序引力波数据进行搜寻，从而有效降低搜寻方法的算力需求，并提高搜寻方法的速度与精度
。
[0007]为实现上述目的，本专利技术实施例的第一方面提出了一种引力波候选信号的搜寻方法，包括：
[0008]获取第一引力波时序数据；
[0009]对所述第一引力波时序数据进行预处理，得到第二引力波时序数据；
[0010]通过深度神经网络对所述第二引力波时序数据进行降噪处理，得到第三引力波时序数据；
[0011]搜寻所述第三引力波时序数据中的多个极值时间点，并根据多个所述极值时间点得到多个潜在引力波候选信号，其中，所述极值时间点为所述第三引力波时序数据中多个信号幅值的局部极值对应的时间点；
[0012]对多个所述潜在引力波候选信号进行信号分析处理，得到多个所述潜在引力波候选信号的置信度；
[0013]根据所述置信度和预设的置信度阈值从多个所述潜在引力波候选信号中筛选出目标引力波候选信号
。
[0014]在一些实施例，所述第一引力波时序数据包括多个时序采样点获取的数据，所述对所述第一引力波时序数据进行预处理，得到第二引力波时序数据，包括：
[0015]获取所述第一引力波时序数据的键值数据集，并根据所述键值数据集得到多个所述时序采样点对应的数据质量键的数据质量值；
[0016]根据预设的数据质量阈值对多个所述数据质量值进行筛选处理，得到预处理时序数据，并根据所述预处理时序数据得到第二引力波时序数据
。
[0017]在一些实施例，所述根据所述预处理时序数据得到第二引力波时序数据，包括：
[0018]根据预设的截断窗口长度对所述预处理时序数据进行截断处理，得到多个第一时序数据段；
[0019]计算多个所述第一时序数据段的功率谱，并根据所述功率谱对多个所述第一时序数据段进行白化处理，得到多个第二时序数据段；
[0020]对多个所述第二时序数据段进行后处理，得到多个第三时序数据段，并根据所述多个所述第三时序数据段得到第二引力波时序数据
。
[0021]在一些实施例，所述通过深度神经网络对所述第二引力波时序数据进行降噪处理，得到第三引力波时序数据，包括：
[0022]生成多个模拟时序信号，并基于多个所述模拟时序信号进行深度神经网络训练，得到深度神经网络模型；
[0023]将所述第二引力波时序数据输入至所述深度神经网络模型中，以使所述深度神经网络模型对所述第二引力波时序数据进行降噪处理，并输出第三引力波时序数据
。
[0024]在一些实施例，生成多个模拟时序信号，并基于多个所述模拟时序信号进行深度神经网络训练，得到深度神经网络模型，包括：
[0025]生成包括多个模拟时序信号的训练集；
[0026]初始化深度神经网络的网络结构
、
网络参数权重和训练超参数；
[0027]基于所述训练集对初始化后的所述深度神经网络进行训练，得到深度神经网络模型
。
[0028]在一些实施例，所述初始化深度神经网络的网络结构
、
网络参数权重和训练超参数，包括：
[0029]设置深度神经网络的模型类型，以初始化所述深度神经网络的网络结构，使得所述深度神经网络包括多个块，多个所述块包括通过残差连接的全连接层
、
归一化层和激活函数层；
[0030]根据正态高斯分布进行随机采样，并根据采样结果对所述深度神经网络中的各个参数进行初始赋值处理，以初始化所述深度神经网络的网络参数权重；
[0031]设置所述深度神经网络的学习率
、
损失函数和优化器，以初始化所述深度神经网络的训练超参数
。
[0032]在一些实施例，所述第三引力波时序数据包括模拟时序数据，所述得到深度神经网络模型之后，还包括：
[0033]生成包括多个模拟时序信号的测试集；
[0034]将所述测试集输入至所述深度神经网络模型中，以使所述深度神经网络模型对所述测试集中信号数据进行降噪处理，并输出所述模拟时序数据
。
[0035]在一些实施例，所述获取所述第三引力波时序数据中的多个极值时间点，包括：
[0036]对所述第三引力波时序数据进行拼接处理，得到时序数据序列；
[0037]遍历所述时序数据序列中多个时间点，并在当前时间点的时序信号幅值为局部极值的情况下，将所述当前时间点确定为极值时间点，以得到多个所述极值时间点
。
[0038]在一些实施例，所述遍历所述时序数据序列中多个时间点，并在当前时间点的时序信号幅值为局部极值的情况下，将所述当前时间点确定为极值时间点，包括：
[0039]获取所述时序数据序列的序列长度；
[0040]根据预设的第一时间间隔阈值，确定时间点初始值；
[0041]从所述时间点初始值开始遍历所述时序数据序列中的多个时间点，并根据当前时间点和所述第一时间间隔阈值确定局部时间范围，在所述当前时间点的时序信号幅值为所述局部时间范围内的极值的情况下，将所述当前时间点确定为极值时间点，直至所述当前时间点
、
所述第一时间间隔阈值和预设的第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种引力波候选信号的搜寻方法，其特征在于，包括：获取第一引力波时序数据；对所述第一引力波时序数据进行预处理，得到第二引力波时序数据；通过深度神经网络对所述第二引力波时序数据进行降噪处理，得到第三引力波时序数据；搜寻所述第三引力波时序数据中的多个极值时间点，并根据多个所述极值时间点得到多个潜在引力波候选信号，其中，所述极值时间点为所述第三引力波时序数据中多个信号幅值的局部极值对应的时间点；对多个所述潜在引力波候选信号进行信号分析处理，得到多个所述潜在引力波候选信号的置信度；根据所述置信度和预设的置信度阈值从多个所述潜在引力波候选信号中筛选出目标引力波候选信号
。2.
根据权利要求1所述的引力波候选信号的搜寻方法，其特征在于，所述第一引力波时序数据包括多个时序采样点获取的数据，所述对所述第一引力波时序数据进行预处理，得到第二引力波时序数据，包括：获取所述第一引力波时序数据的键值数据集，并根据所述键值数据集得到多个所述时序采样点对应的数据质量键的数据质量值；根据预设的数据质量阈值对多个所述数据质量值进行筛选处理，得到预处理时序数据，并根据所述预处理时序数据得到第二引力波时序数据
。3.
根据权利要求2所述的引力波候选信号的搜寻方法，其特征在于，所述根据所述预处理时序数据得到第二引力波时序数据，包括：根据预设的截断窗口长度对所述预处理时序数据进行截断处理，得到多个第一时序数据段；计算多个所述第一时序数据段的功率谱，并根据所述功率谱对多个所述第一时序数据段进行白化处理，得到多个第二时序数据段；对多个所述第二时序数据段进行后处理，得到多个第三时序数据段，并根据所述多个所述第三时序数据段得到第二引力波时序数据
。4.
根据权利要求1所述的引力波候选信号的搜寻方法，其特征在于，所述通过深度神经网络对所述第二引力波时序数据进行降噪处理，得到第三引力波时序数据，包括：生成多个模拟时序信号，并基于多个所述模拟时序信号进行深度神经网络训练，得到深度神经网络模型；将所述第二引力波时序数据输入至所述深度神经网络模型中，以使所述深度神经网络模型对所述第二引力波时序数据进行降噪处理，并输出第三引力波时序数据
。5.
根据权利要求4所述的引力波候选信号的搜寻方法，其特征在于，生成多个模拟时序信号，并基于多个所述模拟时序信号进行深度神经网络训练，得到深度神经网络模型，包括：生成包括多个模拟时序信号的训练集；初始化深度神经网络的网络结构
、
网络参数权重和训练超参数；基于所述训练集对初始化后的所述深度神经网络进行训练，得到深度神经网络模型
。
6.
根据权利要求5所述的引力波候选信号的搜寻方法，其特征在于，所述初始化深度神经网络的网络结构
、
网络参数权重和训练超参数，包括：设置深度神经网络的模型类型，以初始化所述深度神经网络的网络结构，使得所述深度神经网络包括多个块，多个所述块包括通过残差连接的全连接层
、
归一化层和激活函数层；根据正态高斯分布进行随机采样，并根据采样结果对所述深度神经网络中的各个参数进行初始赋值处理，以初始化所述深度神经网络的网络参数权重；设置所述深度神经网络的学习率
、
损失函数和优化器，以初始化所述深度神经网络的训练超参数
。7.
根据权利要求4所述的引力波候选信号的搜寻方法，其特征在于，所述第三引力波时序数据包括模拟时序数据，所述得到深度神经网络模型之后，还包括：生成包括多个模拟时序信号的测试集；将所述测试集输入至所述深度神经网络模型中，以使所述深度神经网络模型对所述测试集中信号数据进...

【专利技术属性】
技术研发人员：周阅，任智祥，田永鸿，
申请(专利权)人：鹏城实验室，
类型：发明
国别省市：