论文部分内容阅读
天文暂现源是时域天文学的主要研究对象,包括超新星、小行星等天空中突然出现的自然目标及近地天体、空间碎片等移动目标。在光学波段,大视场巡天望远镜是获取天文暂现源的主要观测设备,在时域天文观测中有着不可动摇的地位。现阶段,光学暂现源的主要观测方法是:首先对多帧观测图像相减,然后进行目标自动提取,最后人工识别。由于需要人工的介入,导致这种观测方法效率低、速度慢,准确度受观测者经验影响。随着天文观测在时域上对数据连续性要求的提高,分布于不同地理位置的大视场小口径望远镜逐渐成为了发现和探测天文暂现源的主要设备。多台大视场小口径望远镜构成的自动观测网络可以连续对天空进行搜索,保证观测的连续性和时效性。但是大视场小口径望远镜地理上分布分散,获取的数据量很大(几百GB~几十TB/day)。若将数据传回至数据中心又会对网络资源提出较高要求,同时降低了获取目标信息的时效性。针对大视场小口径望远镜网络对暂现源实时探测的需求,本文做了如下工作:1.在原始观测图像上利用SExtractor源提取算法提取出了大量可用于分类的暂现源,根据光学系统点扩散函数的对称性及图像信噪比等特点,实现了对目标异常数据的清洗。通过使用数据增强方法解决了待分类暂现源数量不平衡的问题;2.基于卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN),进行了结构改良和一系列的优化,训练出两个暂现源识别分类器,并且对真实数据的识别准确率达到了97%以上;3.利用真实数据测试发现,改进CNN和改进RNN的分类器针对不同目标具有不同的分类特性。为了纠正分类器本身的缺陷并且希望分类器间的优势互补,本论文利用集成学习的方法将两个分类器进行集成产生新的分类器,分类器准确率提升至99%;4.在Linux框架下,通过环境配置将训练好的集成分类器加载于第三代树莓派上,树莓派可以直接绑定到望远镜上进行数据的实时处理。通过实验测试,表明本论文提出的方法可以在大视场小口径望远镜的终端上实现暂现源的实时分类,为后续的暂现源观测网络全网预警奠定了基础。