基于局部密度聚类的雷达目标散射中心区域分割

散射中心是描述雷达目标高频散射机理的重要特征,准确提取雷达目标散射中心参数对解析雷达目标有着极其重要的研究意义。为了提高散射中心参数计算速度,通常将整幅合成孔径雷达(synthetic aperture radar,SAR)图像分解为多个包含散射中心的小区域,对每个小区域分别进行特征提取和参数计算。根据雷达目标散射中心的特点,提出了一种基于局部密度聚类的雷达目标散射中心区域分割技术。首先,对雷达图像进行Frost滤波、基于水平集方法(level set method,LSM)的图像分割和面积滤波的一系列图像预处理获得目标感兴趣(region of interest,ROI)区域,然后对预处理后的图像利用局部密度聚类算法检测散射中心并进行区域分割。实验中,采用模拟数据和真实数据对所提方法和传统图像分割算法展开数值实验,实验结果验证了所提方法在雷达目标散射中心区域分割的有效性和优越性。

基于SIFT特征检测和密度峰值聚类的太阳活动区自动检测算法研究

太阳活动区是太阳大气中产生各种活动现象的区域,精确地检测和识别太阳活动区对理解太阳磁场的形成机制具有极为重要的科学意义.根据太阳活动区结构较为复杂的特点,基于尺度不变特征变换(Scale-Invariant Feature Transform,SIFT)和密度峰值聚类(Clustering by Fast Search and Find of Density Peaks,DPC)算法的优越性,提出了一种太阳活动区的自动检测和识别方法.首先,对太阳动力学天文台(Solar Dynamics Observatory,SDO)日震和磁场成像仪(Helioseismic and Magnetic Imager,HMI)的纵向磁图进行对比度增强;然后采用SIFT方法提取出全日面磁图中的特征点;最后利用DPC算法将特征点进行聚类,从而自动检测和识别出太阳活动区.研究结果表明,SIFT和DPC算法相结合的方法可以在不需要人工交互的情况下准确地自动检测出太阳活动区.

一种针对MWISP项目分子云团块的3DCNN证认方法

分子云团块是恒星的诞生地.分子团块的普查和其性质的全面研究将有助于了解恒星的形成乃至星系和宇宙的演化过程.随着银河画卷计划(MWISP)项目的深入进行,这类研究方案变得切实可行.但是项目产生的分子云观测数据是海量的,因此迫切需要一种能够自动识别和证认分子团块的方法.目前应用广泛的3维分子云数据处理方法有很多,典型的包括Gauss Clumps、Clump Find、Fell Walker、Reinhold等,但都需要输入多个参数来控制它们的性能,并且进行反复的参数优化和目测才能得到比较满意的结果.对于大规模的观测数据,利用现有方法进行分子团块的证认将是一项耗时耗力的任务.为了克服传统分子云团块检测算法的局限性,人工智能(AI)的方法将提供一个很好的解决方案.提出了一种3D CNN (Convolutional Neural Network)方法,它可以自动处理3D分子谱线数据,整个过程分为检出和验证两个步骤.首先,通过设置较低阈值使用Clump Find以检出候选对象,然后通过训练好的3D CNN模型进行验证.利用仿真数据所做的一系列的实验结果表明,该方法的综合表现优于4种传统方法.将该方法应用于实际的MWISP数据表明, 3D CNN方法的性能也令人满意.

基于密度峰值聚类的宽角域散射中心聚类

宽角域合成孔径雷达(wide-angle synthetic aperture radar,WA-SAR)有着更广泛的角度覆盖范围,基于此得到的宽角域散射中心(wide-angle scattering centers,WA-SCs)包含了目标物体更加丰富的电磁散射特征,这对雷达的目标建模、目标识别等有着重要的意义。为了克服WA-SCs数据维度高、所含信息复杂的特点,并从中提取出所需的目标物体特征,采取密度峰值聚类(density peak clustering,DPC)算法研究WA-SCs。基于SLICY模型数据,从聚类内部评价指标、聚类可视化和算法自动化程度3个方面,将本文算法与经典的K-means、DBSCAN和MeanShift算法进行了对比实验。结果表明,DPC算法具有自动化程度高、高维数据适应性强、聚类精度高等优点,有望为后续的一系列基于WA-SCs的目标建模、目标识别等工作提供技术支撑。

基于MATLAB的一维光谱可视化与分析工具的设计与实现

随着LAMOST光谱巡天项目的不断推进,积累的光谱数量已经步入千万量级。因科学研究需求或大量低信噪比光谱的不断产出,在光谱处理过程中,常涉及大量的人工识谱任务。为了方便用户高效便捷地进行人工识谱,基于MATLAB设计并实现了一套一维光谱可视化与分析工具。该工具包括谱线标识、滤波去噪、红移测量、等值宽度估算等功能。该工具操作简单、直观,在特殊天体搜寻、LAMOST"UNKONWN"光谱的人工处理等方面具有较高的使用价值。

一种双流CNN的太阳黑子群磁类型分类方法

太阳耀斑大多数发生在磁极复杂的黑子群上空,因此,黑子群磁类型可以作为预测太阳耀斑的重要依据。针对同时具有白光图和磁图数据的太阳黑子分类,提出了一种双流卷积神经网络(Convolutional Neural Network,CNN)的黑子群磁类型分类方法。该方法通过两个网络分支同时提取白光图和磁图特征,在全连接层对两类特征进行融合,最后用于训练和分类。实验结果表明,该方法能较好地避免单通道网络模型的信息损失以及使用双通道图像合成出现的白光图和磁图的相互影响,加权F1分数可达84.87%,平均准确率可达84.93%。

银河画卷巡天实测数据分子云核智能仿真与检测系统

现代天文学认为分子云核是恒星诞生的区域,对分子云核的检测和其性质的全方面研究有利于理解恒星的形成过程以及星系和宇宙的演化。随着银河画卷巡天项目(Milky Way Imaging Scroll Painting,MWISP)的开展和实测数据的快速积累,开发分子云核智能仿真与检测系统成为必要。系统提供分子云核智能检测、仿真建模、参数还原、三维可视化、数据存储等功能。借助该系统,科研人员可以方便快捷地对银河画卷实测数据开展分子云核的检测和三维可视化,更好地研究其物理性质。