基于深度学习的太阳射电观测数据的自动分类

The big data of astronomy observation has raised a big challenge to the traditional manual way of astronomy data processing. The automatic data processing of astronomy observation becomes inevitable nowadays. Of all tasks of automatic data processing, the automatic categorization/classification of data is the most important as the beginnings of other automatic data processings. This project will introduce machine learning method into solar radio astronomy to investigate automatic category of solar radio data. Firstly, by the aid of deep learning technique, we study the image feature learning of solar radio data imaging. This process adopts unsupervised learning to learn image features. These image features are then imported into a supervised learning process to construct the final classifiers. Secondly, for better constructing classifiers, we also investigate compressed sensing based image reconstruction for improving the quality of solar radio data imaging with the knowledge of sparse sampling of solar radio observation. Thirdly, with the image feature representation derived from deep learning above, we investigate high efficiency image compression of solar radio data from perspectives of big data and image feature representation. The investigations in this project would provide a meaningful exploration of automatic astronomy big data processing; meanwhile, the output of this study would directly to be a subsystem of Chinese Spectral Radioheliograpy (CSRH) to provide high efficiency data service.

天文观测大数据的出现对传统的人工数据处理方式提出了巨大的挑战，使得自动化的数据处理变的必不可少，其中观测资料的自动化分类是数据自动化处理的关键和出发点。本项目研究拟引入机器学习方法开展太阳射电观测数据的自动化分类和归档。首先，借助于深度学习的无监督学习，对原始数据成像进行特征学习，并以此特征作为输入进行监督学习，以构建最终的分类模型；其次，基于对太阳射电观测稀疏采样原理的分析，研究基于压缩感知技术的图像重建，以提高分类数据的质量；再次，利用深度学习已经获得的图像特征表示，研究大数据背景下的、基于图像特征表示的高性能数据压缩。本项目研究将为天文观测大数据的自动化处理提供一些有意义的探索；同时，本项目研究成果将直接为中国太阳射电日像仪（CSRH）提供高质量的数据服务系统。

天文观测大数据的出现对传统的人工数据处理方式提出了巨大的挑战，传统的数据处理效率不能满足日益增长的数据，使得自动化的数据处理变的必不可少，其中观测数据的自动化分类是大数据处理的基本要求。本项目研究基于深度学习开展了太阳射电观测数据的自动化分类和归档，具体包括以下4个方面的研究内容：1）综合孔径数据的成像及成像处理，针对太阳的展源特性，研究了多尺度CLEAN和小波多分辨率CLEAN算法，对综合孔径成像的脏图进行去卷积处理；同时，基于生成对抗网络（GAN）思想，研究了一类全新的基于GAN的图像盲去卷积问题；2）太阳射电频谱图的自动分类，凭借深度学习，对频谱图直接进行特征提取，并在其基础上建立分类器，尝试了深度学习中众多经典的模型：深度置信网络、卷积网络、自动编码器、长短时记忆网络，形成了公开的频谱图分类数据库；3）基于对太阳射电综合孔径的频域稀疏采样原理的分析，研究了基于压缩感知技术的图像重建，可用于综合孔径成像的脏图去卷积；4）图像生成和多模态转换问题，基于深度学习算法，研究了太阳多模态观测数据的转化问题，可以从某一波段的太阳图像生成其他波段的太阳图像，因此在望远镜缺乏某些波段观测和数据残缺的场景下，生成可以替代的数据，在此研究过程中，建立了用于模型训练的数据库。本项目研究意义在于：为天文观测大数据的自动化处理提供一些有意义的探索；同时，本项目研究成果将直接为明安图MUSER提供高质量的数据服务系统。