[发明专利]射频干扰检测模型、射频干扰检测方法及装置

说明书

本发明公开了一种射频干扰检测模型、射频干扰检测方法及装置，该射频干扰检测模型为U型结构网络，所述U型结构网络包括多个尺度层，每个尺度层包含一个用于提取太阳射电频谱图像特征的残差块。利用该射频干扰检测模型，可以较好地提取出图像中射频干扰的特征并学习，得到准确的检测结果。

技术领域

本发明涉及射频干扰检测领域，特别涉及一种射频干扰检测模型，还涉及一种射频干扰检测方法和装置。

背景技术

随着射电望远镜灵敏度的不断提升、以及越来越多的大规模访问参观活动和低功率人工宽带信号的使用，射电望远镜接收到的信号产生了大量干扰，严重影响对天文观测数据的研究。为减少射频干扰(RFI)，射电望远镜站址通常设在无线电宁静区，还需要对硬件采取一系列的优化设计，此外，还需要对观测的数据进行后处理以去除射频干扰。在现有技术中，对观测数据进行后处理的方法可分为三类，分别为：

1)基于阈值的方法，例如累计和方法、组合阈值求和方法。这些方法将RFI定义为频谱上超过某些阈值的像素。这类算法简单、高效，但存在的问题在于难以根据RFI源及观测信号确定阈值，尤其是时变天体信号，阈值选择尤为关键，有时可能将微弱瞬时信号被认定为RFI而删除；

2)基于小波的方法，由于小波变换具有时频局部化和变分辨特性，信号和噪声在小波域分布特性不同，但不同来源RFI在时频特性上的差异使得针对所有类型的RFI信号进行建模变得非常复杂和困难。对于特定事件所设计的方法不能普遍适用于其他情况。

3)基于机器学习的方法，随着机器学习的出现，其算法可以从大量的图像数据中采用不同规模的网络结构以及各种学习规则来自动学习特征。机器学习尤其是深度学习技术在众多领域取得了令人瞩目的研究成果，已有一些研究将机器学习中的有监督学习以及深度学习的方法应用于RFI消除，取得一定研究进展，比如，基于医学图像处理的Unet深度学习网络实现RFI消除，但Unet网络模型复杂，计算量大，网络性能仍有待提高。

发明内容

本发明一方面提出了一种射频干扰检测模型，可以降低模型复杂度，提高模型性能。

本发明另一方面提出了一种射频干扰检测方法及装置，可以有效提高检测结果的准确率。

为此，本发明提供如下技术方案：

一种射频干扰检测模型，所述模型为U型结构网络，所述U型结构网络包括多个尺度层，每个尺度层包含一个用于提取太阳射电频谱图像特征的残差块。

可选地，所述U型结构网络包括第一U型网络和第二U型网络，所述第一U型网络和所述第二U型网络之间通过卷积层以及三个跳跃连接相连。

可选地，所述第二U型网络的三个跳跃连接各自具有对应的跳跃连接权重系数。

可选地，不同尺度层间通过上采样或池化实现尺度变换。

可选地，每个残差块包含三个卷积层和两次残差连接。

可选地，所述多个尺度层为4个。

可选地，所述U型结构网络中的卷积使用深度可分离卷积。

可选地，所述U型结构网络使用的损失函数为以下任意一种：Dice loss函数、Focal loss函数、带权重的交叉熵函数。

一种射频干扰检测方法，所述方法包括：

获取太阳射电频谱图像；

将所述太阳射电频谱图输入预先建立的射频干扰检测模型，根据所述射频干扰检测模型输出得到每个像素点的分类，所述分类包括：干扰、非干扰；所述射频干扰检测模型为权利要求1至8任一项所述的射频干扰检测模型。

一种射频干扰检测装置，所述装置包括：

图像获取模块，用于获取太阳射电频谱图像；