一种太阳射电干扰滤除方法、可读存储介质及电子设备与流程

本公开涉及太阳射电频谱仪技术领域，特别涉及一种太阳射电干扰滤除方法、可读存储介质及太阳射电频谱仪。

背景技术：

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

对太阳活动的空间观测需要使用太阳射电频谱仪，但是太阳射电频谱仪在接收太阳射电信号的同时，还会接收空间中存在的各种电台干扰信号和其他电磁干扰信号，这些干扰信号的存在导致无法得到干净清晰的太阳射电动态频谱图，尤其是一些所占频带较宽且信号强度大于太阳射电流量强度的干扰信号，会将爆发事件覆盖，从而严重影响对太阳射电爆发事件的观测和分析。

为了更好的观测到完整的太阳爆发事件，常采取的滤除干扰措施分为硬件处理和软件处理。例如可以在硬件处理上通过选用抗干扰放大器、滤波器等抑制干扰，但是硬件处理方法对于已建好的太阳射电频谱仪不适用，因为电路元件调整周期长，处理效率低，并且使用该方法也无法将各种干扰信号去除干净。因此通常情况下，各观测站选择使用软件处理干扰信号。例如使用小波变换针对不同的爆发事件进行去除干扰处理，最终提取爆发结构，但是该方法大多用于处理频谱的灰度图，并且对于干扰信号以及阈值的选取存在人为因素，不适用于多个爆发事件的滤波处理；或者采用定标方法并给出结果，为得到清晰的太阳射电频谱图提供了可能，但是频谱仪的定标需要大量的历史数据，且本身存在一定误差。因此，目前还没有一种较好的方法能够实现对太阳爆发区域的电台干扰信号的有效去除。

技术实现要素：

为了解决现有技术的不足，本公开提供了一种太阳射电干扰滤除方法、可读存储介质及太阳射电频谱仪，使用深度学习中的循环神经网络对太阳爆发区域的电台干扰信号进行预测，可以训练、预测任意频段、任何时间段的电台干扰信号，并且能够保留太阳爆发事件更多的有效信息，这不仅为后续太阳爆发事件的分析提供了更大的操作空间，同时也为深度学习在天文抗干扰处理中提供了新的思路和方向。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供了一种太阳射电干扰滤除方法；

一种太阳射电干扰滤除方法，步骤如下：

(1)采集太阳爆发事件前后设定时间段的强度数据，通过非爆发时段的某一时刻下所有频率通道的射电流量值数据筛选出符合条件的电台信号所在的频率通道，利用单频率通道下随时间变化的射电流量变化曲线定位太阳爆发初始时刻的位置；

(2)对采集到的符合条件的电台信号数据进行预处理，建立数据集；

(3)建立循环神经网络，利用预处理后的电台信号数据进行循环神经网络的训练，使用训练好的循环神经网络预测太阳爆发区域电台的信号值；

(4)根据信号的线性可加性，用爆发区域相应时刻的射电流量原数值减去预测电台值得到干净的纯太阳爆发事件的数值。

作为可能的一些实现方式，所述步骤(1)中，

(1-1)对非爆发时段的某一时刻所有频点的射电流量进行绘制；

(1-2)根据爆发事件的射电流量值大小确定强度阈值；

(1-3)选出大于强度阈值的频率通道，将筛选出的电台信号的强度数值按照对应的频率通道进行存储。

作为可能的一些实现方式，所述步骤(1)中，筛选出要处理的电台信号后，选取电台信号的某一频率通道，根据该频率通道的射电流量随时间变化的曲线，定位太阳射电爆发的初始时刻位置。

作为可能的一些实现方式，所述步骤(2)中，采集到的数据已在fpga内进行fft运算和数字极化合成运算，最终得到左旋信号和右旋信号；

按照既定数据格式读取数据并在时间分辨率内进行累积运算，选取左旋信号或右旋信号的一种为要处理的信号；

进一步的，采用min-max标准化方法对训练数据进行归一化处理，将数据线性变换至[0，1]；

进一步的，将电台信号序列按时间分段以建立各时间段之间的映射关系。

作为可能的一些实现方式，所述步骤(3)中，将太阳爆发初始时刻前的纯电台数据首先划分为训练集与测试集，利用该训练集训练的网络预测电台数据并将预测值与对应时刻的原纯电台数据进行对比，根据对比结果调整和优化循环神经网络的结构。

作为可能的一些实现方式，所述步骤(3)中，将太阳爆发初始时刻前的电台数据全部用作训练集并利用调整优化后的循环神经网络结构训练电台数据，并预测爆发区域的电台信号值。

作为可能的一些实现方式，所述步骤(3)中，利用电台干扰信号值的分布特征规律，将单频率通道的电台的固定的几类数值进行数字映射处理，从而将预测问题先转换为分类问题进行处理以降低步进式预测造成的误差。

作为可能的一些实现方式，所述步骤(3)中，循环神经网络包括输入层、隐含层和输出层，数据在向前传递的过程中，隐含层不仅接收当前时刻的输入层信息，还接收前一时刻隐含层单元的信息，以此实现对过去时刻信息特征的记忆。

作为可能的一些实现方式，所述步骤(3)中，所述循环神经网络为长短时记忆网络，通过在长短时记忆网络的隐含层中重复链接的模块中添加判断信息的信息门以避免因层数过多导致的梯度消失。

作为进一步的限定，所述步骤(3)中，所述信息门通过sigmoid函数生成，包括输入门、遗忘门和输出门，每一个经过信息门的信息都拥有一个[0，1]范围内的实参数，此参数代表信息通过每个门的占比。

作为可能的一些实现方式，所述步骤(4)中，利用普通图像滤除方法对非太阳爆发区域电台的信号值进行处理。

第二方面，本公开提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现本公开所述的太阳射电干扰滤除方法的步骤。

第三方面，本公开提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现本公开所述的太阳射电干扰滤除方法的步骤。

作为可能的一些实现方式，本公开所述的电子设备包括但不限于计算机、太阳射电频谱仪、各种微处理器、处理器、服务器或各种太阳射电观测装置。

与现有技术相比，本公开的有益效果是：

本公开利用深度学习中的循环神经网络对爆发区域的电台干扰信号进行预测，依据信号的线性可加原理，用含电台干扰的爆发区域数值减去该区域电台信号预测值，从而达到去除干扰的目的；利用本公开训练好的网络模型可以训练、预测任意频段、任何时间段的电台干扰信号，并且能够保留太阳爆发事件更多的有效信息，不仅为后续事件分析留有更大的操作空间，同时也为深度学习在天文抗干扰处理中提供了新的思路和方向。

本公开所述的预测方法，相对于传统的预测方法，能够更加准确的对电台干扰信号进行预测，进而保留更多的太阳爆发信息，其最终的太阳爆发观测效果明显优于普通的图像滤除方法。

理论上循环能够处理足够长的时间序列，但是梯度消失这一问题使得rnn实际中只能处理短时段信息，而本公开所述的电台信号需要一次性处理较长的时间序列，因此本公开采用长短时记忆网络对电台信号进行预测，通过在隐含层中重复链接的模块中添加判断信息的信息门来避免因层数过多导致的梯度消失问题。

本公开最终要预测的是爆发区域的电台信号值，由于实际爆发事件中无法得知预测区域的原本数值，即无法检验网络预测结果的准确性，本公开首先对预测区域前的多帧电台数据进行预测，将预测数值与对应时刻的原数据进行对比，根据对比结果调整、优化网络结构，从而使得循环神经网络的预测结果更加贴近真实值，实现了更精准的预测。

附图说明

图1为本公开实施例1中的太阳射电干扰滤除方法流程图。

图2为本公开实施例1中的太阳射电爆发事件强度图。

图3为本公开实施例1中的单一时刻的不同频率通道下的射电流量图(无太阳射电爆发的时刻)。

图4为本公开实施例1中的太阳射电爆发初始时刻定位图。

图5为本公开实施例1中的数据集创建示意图。

图6为本公开实施例1中的循环神经网络结构示意图。

图7为本公开实施例1中的lstm循环神经网络的隐含层内部结构图。

图8(a)和8(b)分别为244mhz电台其中的一条频率通道的测试集(100帧电台数据)的预测结果折线图和散点图，其中点线和星号散点表示预测数据，实线和圆点表示电台原本数据。

图9(a)、(c)、(e)分别为本公开实施例1中的240mhz电台信号的原图、普通图像滤波结果和实施例1所述方法滤波结果。

图9(b)、(d)、(f)分别为本公开实施例1中的244mhz电台信号的原图、普通图像滤波结果和实施例1所述方法滤波结果。

图10为本公开实施例1中的完整爆发事件处理结果图。

图11为本公开实施例1中的完整爆发事件降低分辨率后的结果图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1：

如图1所示，本公开实施例1提供了一种太阳射电干扰滤除方法，本实施例使用循环神经网络对太阳射电中的干扰信号进行处理，主要由网络预测爆发区域电台信号值和爆发区域减去预测值两个阶段构成。

在第一个阶段，首先要建立数据集，数据集经预处理后进入搭建好的网络进行训练，然后根据训练结果不断优化网络结构、调整网络超参数，最终测试集进入测试网络进行数值预测。在第二个阶段，本实施例对太阳射电频谱干扰信号进行滤除，使用循环神经网络网络处理的干扰信号为所占频带较宽或者信号强度接近甚至大于太阳爆发时的射电流量的电台信号。

(1)电台数据来源

不同于普通的图像处理，本实施例使用的方法在数据层面进行，本实施例选用的数据来自项目组自主研发的槎山米波段高分辨率太阳射电接收机采集到的数据包，数据包中的数据在fpga中经过了fft运算和数字极化合成运算，然后在时间分辨率内进行累积运算，最终得到左旋信号和右旋信号。由于这两种信号为数值大小相等，方向相反的信号，因此只选用左旋信号进行研究。

槎山观测站于2017年9月9日观测到有太阳爆发事件，并且该事件的宁静太阳辐射值为0，即图像背景值为0，因此本实施例选取该日一段时间内的含电台干扰信号的爆发事件进行滤波处理，图2即为所选爆发事件强度图，其频率范围为180mhz-330mhz，频率分辨率为128khz，时间分辨率为10ms，图2中横坐标为时间，纵坐标表示频率，图中间部分表示太阳射电流量值以及电台信号强度值，其中不同颜色深度代表不同数值，具体数值大小可参照右边色标轴。

图2中电台干扰信号主要集中在240mhz-270mhz，并且高信号强度的电台直接将爆发事件覆盖，影响了对完整爆发事件的观测与研究。本实施例将选取这些电台信号使用循环神经网络的方法进行处理，首先对图2中某一时刻(不含爆发事件的时刻)所有频点的射电流量进行绘制，结果如图3所示，然后根据爆发事件的射电流量值大小合理的定义阈值，选出大于阈值的频率通道(本实施例选取的阈值为>＝3)，最后将筛选出的电台信号的数值按照对应的频率通道进行存储，以便建立数据集。

筛选出要处理的电台信号后，要确定爆发的初始时刻。选取电台附近某一频点，根据该频点的射电流量随时间变化的曲线，定位太阳射电爆发的位置，以260mhz为例，该频点的射电流量值随时间变化曲线如图4所示，由图4可知，太阳爆发时刻为国际时间6:52:23.755.3，因此把该时刻之前的数据作为训练数据。

(2)数据集的建立

数据集的建立与网络的搭建是构成深度学习算法的两大主要部分。为了提高训练与预测结果的准确率，数据进入网络之前需要进行预处理。尽管前面提取的电台信号的原始数据单位一致，但是数据间存在跨度，这会造成训练网络的收敛速度变慢，并且最终的效果不理想。因此本实施例采用min-max标准化方法对训练数据进行归一化处理，将数据线性变换至[0，1]。

电台序列的预测可以理解为回归分析，即通过分析序列值间的关系进行趋势预测，但是实际上频谱仪采集到的电台数据可能在某一时刻受到外界因素的影响而发生变化从而影响对最终结果的预测，因此在样本数据量充足的情况下，本实施例考虑将电台序列分段，建立映射，寻找时间段与时间段之间的关系。

图5为数据集创建示意图，其中xt代表t时刻的电台值。图中包含输入窗、输出窗和分段滑窗三个窗口；分段滑窗内包含输入窗、输出窗的所有序列，三种窗作为一个整体在时间轴上滑动取值；输入窗与输出窗所含数据帧数相同，该帧数作为网络超参数之一，被命名为time_step。此外两个窗之间存在一定的时间间隔，为了尽可能多的保留相邻序列间的关系，提高预测的准确率，本实施例将时间间隔定为1帧。由此便建立了段对段的映射关系，即根据(t-(time_step-1))至(t)序列情况预测(t-(time_step-2))至(t+1)的序列值，其中(t+1)时刻的序列值为需要的电台序列预测结果。

(3)循环神经网络的建立

循环神经网络通过“循环”引入时间的概念，使得数据在时间轴上不断的积累，从而储存历史信息。图6为传统的神经网络结构图，图中a为神经网络的模块，xt、ht、yt分别表示t时刻的输入、隐含层状态和输出，w1、w2、w3为各层之间的权重系数矩阵。从图中可以看到，数据在向前传递的过程中，隐含层单元不仅接收当前时刻的输入层信息，还接收前一时刻隐含层单元的信息，以此实现对过去时刻信息特征的记忆。

隐含层输出可以表示为：

ht＝f(ht-1，xt)(1)

其中，f(·)为隐含层的激活函数，常使用tanh函数和sigmoid函数，本实施例使用后者。网络输出可以表示为：

yt＝g(w3ht)(2)

其中，g(·)为输出层的激活函数。

理论上循环神经网络能够处理足够长的时间序列，但是梯度消失这一问题使得rnn实际中只能处理短时段信息。而本实施例所述的电台信号需要一次性处理较长的时间序列，因此选择一种特殊的循环神经网络结构-长短时记忆网络(longshort-termmemory，lstm)对电台信号进行预测。

通过在隐含层中重复链接的模块中添加判断信息的“门”来避免因层数过多导致的梯度消失问题。信息门通过sigmoid函数生成，分为输入门、遗忘门和输出门。函数的特性使得每一个经过门的信息都拥有一个[0，1]范围内的实参数，该参数代表信息通过每个门的占比。图7为某一时刻lstm隐含层内部的结构图，描述了数据的流动过程。

以上数据传递过程可以用一组公式表示，遗忘门计算公式：

ft＝σ(wf·[ht-1，xt]+bf)(3)

输入门计算公式：

it＝σ(wi·[ht-1，xt]+bi)(4)

输出门计算公式：

ot＝σ(wo·[ht-1，xt]+bo)(7)

ht＝ot*tanh(ct)(8)

其中w泛指网络的权值参数，b泛指偏置，t代表时刻，h是隐含层状态，x为网络的输入，c指lstm细胞状态，i、f、o分别代表输入门、遗忘门和输出门结构，这三种门的激活函数均为sigmoid函数，而网络更新细胞状态时则选择tanh函数。

本实施例最终要预测的是爆发区域的电台信号值，由于实际爆发事件中无法得知预测区域的原本数值，即无法检验网络预测结果的准确性。因此本章首先对预测区域前100帧电台数据进行预测，将预测数值与对应位置原数据进行对比，根据对比结果调整、优化网络结构。图8(a)和8(b)分别为244mhz电台其中的一条频率通道的测试集(100帧电台数据)的预测结果折线图和散点图。从图8(a)可以看出，训练好的网络能够将大部分电台信号变化趋势预测出来，尽管图8(b)中预测数值大小的准确率不是特别高，但是结果与原值相差不大。

使用图8(a)和图8(a)的测试结果的网路结构以及网络参数对本实施例事件所有电台信号进行预测，然后使用matlab软件进行处理，利用太阳爆发区域的原本数值减去使用循环神经网络法预测的电台值；非爆发区域使用普通的图像处理方法滤波，即减去该频率通道的平均值。图9(a)、图9(c)、图9(e)为240mhz电台信号的原图、普通图像滤波结果和本实施例方法滤波结果；图9(b)、图9(d)、图9(f)为244mhz电台信号的原图、普通图像滤波结果和本实施例方法滤波结果。通过对比可以看到，本实施例处理方法保留了更多的爆发信息，效果明显优于普通的图像滤波方法。

同时，对于一些窄带、信号强度弱的并且对太阳爆发事件的观测无太大影响的干扰信号也可以使用普通的图像滤波方法进行处理。

完整太阳爆发事件中的电台干扰信号处理结果如图10所示。从图10中可以看到干扰信号处理的较为干净，并且去除干扰后，矩形框内小的爆发事件清晰可见。但是用普通图像滤波的方法处理的非爆发区域还有一些零星的电台干扰信号，通过降低时间和频率分辨率的方式，可以减弱其显示效果。图11为时间分辨率降低6倍(即减采样至60ms)，频率分辨率降低16倍(即减采样到0.49mhz)后的效果图，可以看到在同一色标轴范围内，零星的电台信号几乎看不到了(实际还有值)，一个完整的爆发事件清晰的显示出来。

本实施例采用一种特殊的循环神经网络—lstm网络对太阳射电爆发区域的电台干扰信号进行预测，根据信号的线性可加性，利用太阳爆发区域数值减去预测电台值达到滤波的目的。本实施例的方法基于数据处理，能够最大程度的保留与爆发事件相关的有效信息，并且训练好的网络可预测任意频段、任意时刻的电台值，这为深度学习在天文学抗干扰处理中提供了新思路。

实施例2：

本公开实施例2提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现本公开实施例1所述的太阳射电干扰滤除方法。

实施例3：

本公开实施例3提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现本公开实施例1所述的太阳射电干扰滤除方法。

本实施例所述的电子设备包括但不限于计算机、太阳射电频谱仪、各种微处理器、处理器、服务器或各种太阳射电观测装置。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。