基于深度学习的低频SKA带宽涂污效应矫正方法

针对低频SKA成像中的带宽涂污问题,本文提出了一种基于深度卷积神经网络的带宽涂污效应矫正方法。所提方法设计了一个带宽涂污效应的矫正模型,该模型通过其中的残差学习机制对低频SKA观测信号中的河外点源信号携带的带宽涂污效应进行特征提取,进而提高了对带宽涂污效应的矫正效果。首先需要对河外点源信号进行带宽涂污效应图像模拟,并对模拟图像进行电磁干扰噪声添加、归一化操作,再利用矫正模型中批归一化与卷积相整合的结构,进而提取图像深层次的噪声特征,最后利用残差学习技术,减轻神经网络负荷的同时完成图像重构。实验结果表明,该深度学习方法可以在强带宽涂污效应下达到良好的矫正效果,同时具有良好的鲁棒性,以及可移植性。

一种用于射电天文图像重建的自适应尺度算法

为了解决在成像过程中反卷积点扩展函数所带来的模糊效应,提出一种新的图像重建算法.新算法利用高斯函数分解模型,能够有效解决基于Delta函数分解模型所引起的问题,并在重建延展源和致密源方面具备更好的效果.通过VLA模拟观测数据对算法进行测试,并与现有的2类图像重建算法进行比较,结果表明,新算法能够有效平衡现有的反卷积算法的计算复杂度和性能问题,能对图像进行更加精确建模,具有更好的图像重建性能.

基于幅度的CLEAN天文图像重建算法

射电干涉成像的质量部分依赖于图像重建算法。CLEAN算法是一种应用非常广泛的射电天文数据的重建算法,已经成为射电天文干涉数据处理软件的标准配置。典型的CLEAN算法使用delta函数集合来逼近我们真实的天文图像,然而当前没有工作来优化这种集合,从而达到提高图像重建效果的目的。本文改进了当前的CLEAN算法,提出了一种基于幅度的重建算法。通过通用天文软件程序包(Common Astronomy Software Applications, CASA)模拟美国甚大干涉阵(VLA)进行了观测,对得到测量数据MS (Measurement Sets)使用常规的CLEAN算法和本文改进的CLEAN算法进行了重建。实验显示本文改进的算法的重建图像有更高动态范围。

基于人工智能技术的线上教学改革思路浅析

建设教育强国是中华民族伟大复兴的基础工程。教育公平和教育个性化发展一直是教学改革关注的重点问题。目前人工智能技术已大量应用于教育领域,线上教育引起了社会各界广泛关注。本文在分析线上教学状况的基础上,对基于人工智能技术的线上教育做出研究,对其在教育公平、教育个性化以及教育效果方面提出新的改革思路。

基于大数据技术的个性化教育教学改革探索

大数据时代的来临使得教育教学改革中的个性化教育成为可能,其相关技术的发展将促使个性化教育进程的思路和形式的转变。然而目前结合个性化教育与大数据技术的相关研究却存在空缺。本文基于大数据技术对个性化教育进行探讨,通过分析目前学校推行个性化教育所面临的难题,提出新的教改思路和解决路径。

射电天文图像重建算法研究综述

由于射电望远镜采样不完备,导致观测到的天文图像质量下降,影响天文与天体物理研究。为了得到质量更好的天体图像,图像重建算法成为射电天文领域具有研究价值的方向。本文综述了射电天文成像重建领域应用广泛的算法。对Högbom CLEAN算法、Cornwell提出的多尺度CLEAN算法和最大熵算法进行具体的分析研究,并分别将其应用于射电成像的重建;通过对比这些算法在成像中的实现结果,提出领域内亟待解决的问题与挑战。