面向深空探测的AI网络集群高效智能信号处理关键理论与方法的研究

The deep space exploration digital information processing is critical to the navigation and radio astronomy. Limited by the theory knowledge and inefficient feature extraction capability for big data, the traditional methods are not capable for the massive data processing and complex feature extraction problems. Therefore,based on the installed SEU-RSR SDRs in the observation stations, and combined with AI clusters, the automatic, intelligent and efficient signal processing method is proposed. Including:1.The 2-D correlation chart and CNN-SVM are combined to solve the estimation for Quasar signal time delay of arriving without forecast data. 2. The ensemble learning method with EEMD+SVM and CNN-SVM sub-learners are proposed for multi-dimension target signal search and classification from collected Pulsar big data.3.The high accurate ensemble learning method for disconnected data processing is proposed with dynamic compensation and data fusion. Based on the data experiment collected from SEU-RSR, the high accurate intelligent connection for interrupt data is expected, the fitting residual of interference fringe in the Quasar signal time delay estimations without forecast data is below 0.1rad, The classification accuracy of Pulsar signal intelligent search will be above 95%.

深空探测数字信息处理对导航定轨、射电天文具有重要意义。受限于天文认知水平与低效的大数据特征提取能力，常规信号处理方法，无法高效应对天文大数据中的信号处理与多维复杂特征分析问题。因此，本项目依托SEU-RSR在站深空探测系统,融合AI网络集群，设计并建立了自动化、智能化、准确高效的信号处理理论与方法。其中包括1）设计融合二维多重互相关谱图与CNN-SVM网络的智能算法解决缺乏预报数据条件下的类星体射电源到站时延智能盲估计2）设计EEMD+SVM与CNN-SVM等组成的集成学习网络解决脉冲星多维度射电大数据中的目标信号智能搜索与分类3）设计动态补偿数据融合方法与集成学习网络，解决中断数据的高精度智能接续问题。基于SEU-RSR系统所采集的实验数据，预期完成中断数据的高精度智能接续，类星体到站时延智能分析所得干涉条纹拟合残差小于0.1rad，而脉冲星智能搜索的准确率大于95%。

在站信息接收与处理对于深空探测任务有重要的科学与现实意义。射电信息系统数据采集与分析性能直接影响着深空探测任务的顺利进行。深空严苛通信环境下的微弱信噪比、高动态、大数据分析压力也为系统带来了挑战。.本项目基于当前系统在实际深空任务中所遇到的问题，主要开展了以下研究内容1）缺乏预报数据条件下的宽带弱信号可视化检测与时延估计。2）融合多维特征的脉冲星智能搜索与分类。3）在站系统关键模块性能缓慢劣化的智能监测与反馈。.本项目取得的主要研究成果包括： 1）在缺乏有效预报数据条件下，到站宽带弱信号难以检测，其时延参数也难以估计。针对此问题，本研究提出并实现了基于二维互相关谱图的信号检测方法，通过对两站点到站数据的分段互相关，建立可视化的二维互相关谱图，进而对宽带弱信号进行检测。其次，设计Slide-CNN网络对谱图中所显示的时延信息谱线进行智能化的检测与粗略估计。最终，以此为基础，使用迭代细化的方式提高了粗估值的精度。提高了24.01%的系统采集数据的可利用率。2）针对海量数据的脉冲星信号搜索与分类，设计实现了融合多维特征的脉冲星信号智能检测分类集成学习网络，在对一维曲线图进行形态特征、数据统计特征以及二维谱图进行二维特征提取的基础上，综合所提取多维特征对当前设备采集数据进行分类，判断其是否为潜在的脉冲星信号。在小规模数据集测试中，所提集成学习网络分类准确率超过了单一网络的性能，实现了脉冲星信号的智能搜索。3）针对当前系统设备中关键模块随时间产生难以检测的性能劣化的问题，设计并实现了模块的内建自测试结构，帮助系统进行实时智能化的性能监测与控制，获得了99.16%的故障检测覆盖率。.通过以上研究成果，提高了在站系统深空采集数据的可利用率，以及系统在深空任务中的可靠性，建立了基于多维特征融合的系统海量数据智能化分析方法，极大的提高了数据处理效率。积极推进了当前第三代深空信息系统的研发。

内容获取失败，请点击重试