[发明专利]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

说明书

本发明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。

技术领域

本发明属于微弱周期信号的辨识技术领域，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。

背景技术

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。

发明内容

本发明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。

本发明是通过以下技术方案实现的，本发明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A_i，则预处理后的脉冲星信号x_b(n)为：

其中，n表示采样时刻，i为中间变量。