用于天文目标光变曲线分类的视听结合交互方法技术

本发明专利技术涉及人机接口

【技术实现步骤摘要】
用于天文目标光变曲线分类的视听结合交互方法


[0001]本专利技术涉及人机交互接口
、
天文数据清洗转换和分析，更具体地说，涉及一种用于天文目标光变曲线分类的视听结合交互方法
。

技术介绍

[0002]光变曲线是天文学中一种重要的观测数据，主要用于研究天体的物理性质
、
演化过程等
。
由于光变曲线具有多样性和复杂性，需要通过分类来更好地理解和解释这些数据
。
目前，已经有一些光变曲线分类算法被提出和应用，但这些算法大多采用机器学习方法，需要处理大量的数据和特征，同时需要高水平的专业知识
。
因此，设计一款人机智能交互的平台，可以让更多的研究人员和爱好者得以利用这些数据，并实现快速准确的光变曲线分类，提高天文学的研究效率和推广普及工作
。
另外，光变曲线分类的人机智能交互的平台，也可以应用于其他领域的数据处理和分类应用，具有广泛的实际应用价值
。
[0003]但传统的形态分类存在一些问题
。
由于光变曲线的多样性和复杂性，仅依靠形态特征进行分类可能不够准确
。
此外，形态分类方法需要专业知识才能解读和理解，限制了公众参与的能力
。
这类技术具有以下缺点：
(1)
分类结果受环境影响大
。
显示设备质量
、
观察角度和色彩等因素会影响人类对光变曲线图像的感知能力，影响分类结果
。(2)
转换为图像后，数据特征缺失
。
光变曲线是随时间变化的数据，将其转化为二维图像后，其形态会受到噪声
、
抖动等因素的影响，导致数据具有不稳定性，使得人眼难以从中发现具有光变的天体
。
[0004]综上所述，由于传统的形态分类准确率较低因此亟需一款人机智能交互的平台方便大众对光变曲线进行分类
。

技术实现思路

[0005]针对现有技术存在的问题，本专利技术提出一种用于天文目标光变曲线分类的视听结合交互方法，实现对光变曲线进行数据预处理，再将数据转换成音乐输出，将音乐上传至公众科学平台，让大众根据光变曲线产生的音乐进行分类，提高天文学的研究效率和推广普及
。
[0006]为实现上述目的，本专利技术提供了以下技术方案：
[0007]一种用于天文目标光变曲线分类的视听结合交互方法，对天文目标光变曲线进行数据预处理，再依照光变曲线的频率和时变特性，将光变曲线转换成音乐输出至公众科学平台供公众分类，具体包括以下步骤：
[0008]步骤
1.
光变曲线预处理：对光变曲线数据进行去噪
、
去异常点和平滑处理，将光变曲线采样时间间隔
Δ
t
除以所有采样间隔中最小的
Δ
t
得到倍数
n
，对每个时间间隔线性插入
n
‑1个点；
[0009]步骤
2.
光变曲线音频化处理，提取光变曲线的不同特征，将光变曲线转换为音频信号，通过声音的方式描述和呈现光变曲线的变化；
[0010]步骤3：建立公众科学平台，将步骤2获取的光变曲线的图像和音频上传至公众科学平台上，通过视听结合的方式，从视觉角度
、
声音角度实现对光变曲线的分类
。
[0011]进一步，步骤2中，光变曲线进行音频化处理通过如下任一方式：
[0012]方式一：音乐骰子法：将光变曲线转化为音乐的旋律，首先将光变曲线的时间和光度数据读取到
python
数据结构中，然后对光度数据进行归一化，使光度数据在0到1之间范围内；再将光度数据进行离散化，分成若干个等间隔的区间，将离散化后的光度数据映射到一个数字序列，每个数字代表一个音符或一段旋律，进而将音符或旋律进行排序组成不同的乐曲；
[0013]方式二：周期变换法：将光变曲线转化为不同乐器发出的音乐，将光变曲线用
lombscargle
算法做处理，用
lombscargle
算法确定光变曲线需要分析的频率范围，生成一组包含所需频率的网格，用于对光变曲线数据进行采样；在每个频率处，将时间序列拟合为一个正弦函数，并利用最小二乘法计算出最佳拟合参数；将最佳拟合参数代入正弦函数中得到变换结果，将变换结果平方并除以两倍时间长度得到频率谱；绘制频率谱图，表示每个可能的频率在时间序列中的功率；根据频谱图设置二个阈值，首先将总功率的三分之二除以平均数作为第一个阈值，即阈值一，然后将总功率的三分之一除以平均数作为第二个阈值，即阈值二，选择频谱中高于阈值一的位置作为主频率的数值，选择频谱中低于阈值一且高于阈值二的位置作为二次频率的数值，选择频谱中低于阈值二的位置作为三次频率的数值，利用两个阈值将频率谱分为三段，其中每一段频率谱对应一种乐器，将每一段频率谱最低功率所对应的频率作为音乐的基频，已分成三段的频率谱的每一段频率用快速傅里叶变换将频域数据转换成时域数据生成对应的波形信号，每一种波形信号对应不同的乐器，每种音乐的音强代表波形强度，其中，三段频率谱中的主频率的部分作为音乐的主节奏，最后将多段波形产生的音乐进行叠加和输出；
[0014]方式三：利用深度神经网络
DNN
产生音乐，建立一个深度神经网络，深度神经网络的输入为光变曲线，输出为一段根据周期变换法产生的音乐；利用周期变换法将每条光变曲线与一段音乐进行对应分析，从而找到光变曲线与所对应的一段音乐之间的关联性，并用这些产生的光变曲线和相对应的音乐对
DNN
神经网络进行训练；通过反向传播算法，不断调整模型的权重和偏置，以最小化预测音乐与真实音乐之间的差异，训练后，深度神经网络
DNN
直接根据输入的不同的光变曲线产生对应的音乐
。
[0015]进一步，周期变换法中，在进行
lombscargle
算法处理前，对光变曲线数据做线性插值的预处理
。
[0016]进一步，步骤1中，利用高斯滤波进行去噪处理，采用
3sigma
法则对光变曲线进行去异常点处理；去异常点之后，再采用移动平均滤波来对光变曲线进行平滑处理
。
[0017]综上所述，专利技术具有以下增益效果：
[0018]本专利技术提高对光变曲线的分辨能力，将光变曲线转换成音乐，将复杂的光变曲线变成听觉化的音乐信号，从而提高了人们对光变曲线分类的准确度
。
人的听觉和视觉系统在对信息的处理和分析上有不同的特点，通过不同感官的输入可以提高数据的识别和区分能力，增加用户体验
。
通过将光变曲线转换成音乐信号，配合合适的可视化工具，提供更直观
、
全面的数据展示
。
用户可以通过观察可视化效果和听觉信息来进一步分析和理解数据，从而获得更准确和全面的分类结果...

【技术保护点】

【技术特征摘要】
1.
一种用于天文目标光变曲线分类的视听结合交互方法，其特征在于，对天文目标光变曲线进行数据预处理，再依照光变曲线的频率和时变特性，将光变曲线转换成音乐输出至公众科学平台供公众分类，具体包括以下步骤：步骤
1.
光变曲线预处理：对光变曲线数据进行去噪
、
去异常点和平滑处理，将光变曲线采样时间间隔
Δ
t
除以所有采样间隔中最小的
Δ
t
得到倍数
n
，对每个时间间隔线性插入
n
‑1个点；步骤
2.
光变曲线音频化处理，提取光变曲线的不同特征，将光变曲线转换为音频信号，通过声音的方式描述和呈现光变曲线的变化；步骤3：建立公众科学平台，将步骤2获取的光变曲线的图像和音频上传至公众科学平台上，通过视听结合的方式，从视觉角度
、
声音角度实现对光变曲线的分类
。2.
根据权利要求1所述的用于天文目标光变曲线分类的视听结合交互方法，其特征在于：所述步骤2中，光变曲线进行音频化处理通过如下任一方式：方式一：音乐骰子法：将光变曲线转化为音乐的旋律，首先将光变曲线的时间和光度数据读取到
python
数据结构中，然后对光度数据进行归一化，使光度数据在0到1之间范围内；再将光度数据进行离散化，分成若干个等间隔的区间，将离散化后的光度数据映射到一个数字序列，每个数字代表一个音符或一段旋律，进而将音符或旋律进行排序组成不同的乐曲；方式二：周期变换法：将光变曲线转化为不同乐器发出的音乐，将光变曲线用
lombscargle
算法做处理，用
lombscargle
算法确定光变曲线需要分析的频率范围，生成一组包含所需频率的网格，用于对光变曲线数据进行采样；在每个频率处，将时间序列拟合为一个正弦函数，并利用最小二乘法计算出最佳拟合参数；将最佳拟合参数代入正弦函数中得到变换结果，将...

【专利技术属性】
技术研发人员：贾鹏，邓天元，徐胭艳，
申请(专利权)人：星源数动山西转型综合改革示范区科技有限责任公司，
类型：发明
国别省市：