本文主要研究内容
作者李昕（2019）在《太阳射电动态频谱的射频干扰抑制方法研究》一文中研究指出：太阳射电辐射携带大量信息,在频谱上有着丰富的表现形态,其中,射电爆发的精细结构与物理起源有关,能够用以诊断激波过程和粒子加速等机制。观测与研究太阳射电爆发过程具有重要的科学价值,也具有独特的空间物理--空间天气学研究方面的应用价值。项目组研制了高分辨率的射电频谱仪,可对太阳射电爆发过程进行快速且高效的分析。但在米波段,空间中存在大量的射频干扰信号,主要是各种电台信号干扰,严重干扰了太阳射电信号的接收和分析处理。如何抑制干扰得到清晰的太阳射电动态频谱图,便是本文试图解决的问题。现有的太阳射电频谱图的滤除干扰方法,主要是在接收机AD转换前,通过硬件电路滤波的方法进行处理,不加区别的将信号和干扰同时滤除;后续的软件处理,在出现较强干扰时,也很难区分两种信号。本文根据干扰信号特点,提出数字层面上的软件抑制干扰方法。依照干扰信号强度与爆发信号强度的大小关系,将干扰信号分为强干扰,目标干扰电台以及弱干扰。分析各类信号特点并进行筛选与处理。其中,目标干扰电台是本文的主要处理目标,其余两种干扰信号则结合现有的方法进行处理。针对目标干扰信号具有时序性这一特点,文中将其视作时序信号进行处理,并预测出爆发区域电台信号可能强度。假设信号线性可加,将其与对应区域强度$进行数字运算,反向得到爆发信号强度。如此可以在尽可能保留爆发信息的前提下,达到抑制干扰的目的。在分别采用传统时序预测模型——整合滑动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)和循环神经网络(Recurrent Neural Network,RNN)对信号进行步进式预测后,发现RNN在预测方面比ARIMA模型表现的更好,但预测方式带来的误差依旧会不断地影响网络预测的结果。之后本文依照目标干扰电台的数值特点设计了基于数字映射的RNN方法,以将时间序列预测问题转化为时间段分类问题的方式,实现对电台值的预测。通过三种预测方法的实验结果对比发现,基于数字映射的RNN法可以有效抑制步进式误差,提高预测的准确率。为进一步体现基于数字映射的RNN法的优势,将其与传统RNN方法分别应用到仿真爆发事件中。仿真爆发事件依照信号线性可加原理构成,对比结果发现前者在抑制干扰方面表现更好。将设计的方法应用到实际爆发事件中,简要分析实际情况中出现的过度抑制情况,并结合事件本身数据对干扰抑制区域进行补偿。在利用常见方法处理另两种干扰信号后,结合图像增强方法得到干扰极少的频谱图。最后,对比常用算法与本文设计方法的爆发事件处理结果,证明后者在干扰抑制方面有着更好的表现,并且可以达到本文的预期目标。本文的研究工作能够有效地抑制太阳射电频谱图中的干扰。经过文中对电台值的处理,可以发现将预测问题转化为分类问题进行处理,能够有效地提高预测准确率。相比于图像层面上的处理,数字层面上进行抑制干扰处理,不仅能够保留更多的有效信息,还能为后续事件分析留有更大的操作空间,同时为深度学习在天文抗干扰处理中提供了新的思路与方向。
Abstract
tai yang she dian fu she xie dai da liang xin xi ,zai pin pu shang you zhao feng fu de biao xian xing tai ,ji zhong ,she dian bao fa de jing xi jie gou yu wu li qi yuan you guan ,neng gou yong yi zhen duan ji bo guo cheng he li zi jia su deng ji zhi 。guan ce yu yan jiu tai yang she dian bao fa guo cheng ju you chong yao de ke xue jia zhi ,ye ju you du te de kong jian wu li --kong jian tian qi xue yan jiu fang mian de ying yong jia zhi 。xiang mu zu yan zhi le gao fen bian lv de she dian pin pu yi ,ke dui tai yang she dian bao fa guo cheng jin hang kuai su ju gao xiao de fen xi 。dan zai mi bo duan ,kong jian zhong cun zai da liang de she pin gan rao xin hao ,zhu yao shi ge chong dian tai xin hao gan rao ,yan chong gan rao le tai yang she dian xin hao de jie shou he fen xi chu li 。ru he yi zhi gan rao de dao qing xi de tai yang she dian dong tai pin pu tu ,bian shi ben wen shi tu jie jue de wen ti 。xian you de tai yang she dian pin pu tu de lv chu gan rao fang fa ,zhu yao shi zai jie shou ji ADzhuai huan qian ,tong guo ying jian dian lu lv bo de fang fa jin hang chu li ,bu jia ou bie de jiang xin hao he gan rao tong shi lv chu ;hou xu de ruan jian chu li ,zai chu xian jiao jiang gan rao shi ,ye hen nan ou fen liang chong xin hao 。ben wen gen ju gan rao xin hao te dian ,di chu shu zi ceng mian shang de ruan jian yi zhi gan rao fang fa 。yi zhao gan rao xin hao jiang du yu bao fa xin hao jiang du de da xiao guan ji ,jiang gan rao xin hao fen wei jiang gan rao ,mu biao gan rao dian tai yi ji ruo gan rao 。fen xi ge lei xin hao te dian bing jin hang shai shua yu chu li 。ji zhong ,mu biao gan rao dian tai shi ben wen de zhu yao chu li mu biao ,ji yu liang chong gan rao xin hao ze jie ge xian you de fang fa jin hang chu li 。zhen dui mu biao gan rao xin hao ju you shi xu xing zhe yi te dian ,wen zhong jiang ji shi zuo shi xu xin hao jin hang chu li ,bing yu ce chu bao fa ou yu dian tai xin hao ke neng jiang du 。jia she xin hao xian xing ke jia ,jiang ji yu dui ying ou yu jiang du $jin hang shu zi yun suan ,fan xiang de dao bao fa xin hao jiang du 。ru ci ke yi zai jin ke neng bao liu bao fa xin xi de qian di xia ,da dao yi zhi gan rao de mu de 。zai fen bie cai yong chuan tong shi xu yu ce mo xing ——zheng ge hua dong ping jun zi hui gui mo xing (Autoregressive Integrated Moving Average model,ARIMA)he xun huan shen jing wang lao (Recurrent Neural Network,RNN)dui xin hao jin hang bu jin shi yu ce hou ,fa xian RNNzai yu ce fang mian bi ARIMAmo xing biao xian de geng hao ,dan yu ce fang shi dai lai de wu cha yi jiu hui bu duan de ying xiang wang lao yu ce de jie guo 。zhi hou ben wen yi zhao mu biao gan rao dian tai de shu zhi te dian she ji le ji yu shu zi ying she de RNNfang fa ,yi jiang shi jian xu lie yu ce wen ti zhuai hua wei shi jian duan fen lei wen ti de fang shi ,shi xian dui dian tai zhi de yu ce 。tong guo san chong yu ce fang fa de shi yan jie guo dui bi fa xian ,ji yu shu zi ying she de RNNfa ke yi you xiao yi zhi bu jin shi wu cha ,di gao yu ce de zhun que lv 。wei jin yi bu ti xian ji yu shu zi ying she de RNNfa de you shi ,jiang ji yu chuan tong RNNfang fa fen bie ying yong dao fang zhen bao fa shi jian zhong 。fang zhen bao fa shi jian yi zhao xin hao xian xing ke jia yuan li gou cheng ,dui bi jie guo fa xian qian zhe zai yi zhi gan rao fang mian biao xian geng hao 。jiang she ji de fang fa ying yong dao shi ji bao fa shi jian zhong ,jian yao fen xi shi ji qing kuang zhong chu xian de guo du yi zhi qing kuang ,bing jie ge shi jian ben shen shu ju dui gan rao yi zhi ou yu jin hang bu chang 。zai li yong chang jian fang fa chu li ling liang chong gan rao xin hao hou ,jie ge tu xiang zeng jiang fang fa de dao gan rao ji shao de pin pu tu 。zui hou ,dui bi chang yong suan fa yu ben wen she ji fang fa de bao fa shi jian chu li jie guo ,zheng ming hou zhe zai gan rao yi zhi fang mian you zhao geng hao de biao xian ,bing ju ke yi da dao ben wen de yu ji mu biao 。ben wen de yan jiu gong zuo neng gou you xiao de yi zhi tai yang she dian pin pu tu zhong de gan rao 。jing guo wen zhong dui dian tai zhi de chu li ,ke yi fa xian jiang yu ce wen ti zhuai hua wei fen lei wen ti jin hang chu li ,neng gou you xiao de di gao yu ce zhun que lv 。xiang bi yu tu xiang ceng mian shang de chu li ,shu zi ceng mian shang jin hang yi zhi gan rao chu li ,bu jin neng gou bao liu geng duo de you xiao xin xi ,hai neng wei hou xu shi jian fen xi liu you geng da de cao zuo kong jian ,tong shi wei shen du xue xi zai tian wen kang gan rao chu li zhong di gong le xin de sai lu yu fang xiang 。
论文参考文献
论文详细介绍
论文作者分别是来自山东大学的李昕，发表于刊物山东大学2019-07-16论文，是一篇关于太阳射电论文,频谱干扰论文,整合滑动平均自回归模型论文,长短期记忆网络论文,干扰抑制论文,山东大学2019-07-16论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自山东大学2019-07-16论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：太阳射电论文; 频谱干扰论文; 整合滑动平均自回归模型论文; 长短期记忆网络论文; 干扰抑制论文; 山东大学2019-07-16论文;