基于深度学习的天图中CMB信号提取

论文摘要

宇宙微波背景辐射(CMB)是宇宙大爆炸的余晖,是人类认识早期宇宙的物理极限,此外CMB在传播的过程中受到宇宙演化后期的影响,这些影响都会在CMB上留下痕迹。因此,CMB光子是天文学中最重要的观测信号之一,对于研究宇宙起源和发展有重要意义,加深对于宇宙组分、物质构成和一系列基本物理过程的理解。在CMB观测过程中会受到多种信号的污染,本文首次将深度学习应用于去除CMB前景污染,对CMB的热力图和极化图进行深入研究。对于CMB热力图,本文使用深度残差自编码器模型,均方误差降低为传统天文学方法NILC的1.71%,处理速度是传统天文学方法NILC的10.48倍。CMB极化图分为Q和U两个极化方向,本文在深度残差自编码器基础上提出跨层连接残差自编码器模型,Q方向极化图均方误差降低为传统天文学方法NILC的0.83%,U方向极化图均方误差降低为传统天文学方法NILC的0.29%,获得几乎完全纯净的极化图。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
•   1.1 课题背景及意义
•   1.2 相关领域研究现状
•     1.2.1 天文学方法提取CMB信号
•     1.2.2 传统图像去噪算法
•     1.2.3 深度学习图像去噪算法
•   1.3 论文的研究成果
•   1.4 论文结构安排
• 第二章 图像去噪方法
•   2.1 引言
•   2.2 传统图像去噪算法
•     2.2.1 BM3D图像去噪算法
•     2.2.2 图像去噪算法的评估方式
•   2.3 卷积神经网络
•     2.3.1 卷积神经网络结构
•     2.3.2 卷积神经网络训练
•   2.4 深度学习图像去噪
•   2.5 本章小结
• 第三章 基于深度学习的热力图去噪
•   3.1 引言
•   3.2 天图介绍
•   3.3 热力图介绍
•   3.4 热力图去噪网络设计
•   3.5 第五块小天区热力图图像去噪实验结果及分析
•     3.5.1 使用跨层连接可以提升网络效果
•     3.5.2 对比使用不同频段数据作为输入的去噪效果
•     3.5.3 对比不同层数对深度残差自编码器网络的影响
•     3.5.4 对比使用平均绝对误差和使用均方误差作为损失函数的区别
•   3.6 第一块小天区热力图图像去噪实验结果及分析
•     3.6.1 对比不同频段输入对于去除前景污染的影响
•     3.6.2 对比不同层数对深度残差自编码器网络的影响
•   3.7 本章小结
• 第四章 基于深度学习的极化图去噪
•   4.1 引言
•   4.2 极化图介绍
•   4.3 宇宙微波背景辐射极化图去除前景噪声实验设计
•   4.4 去除宇宙微波背景辐射极化图前景污染实验结果分析
•     4.4.1 去除宇宙微波背景辐射极化图Q前景污染
•     4.4.2 去除宇宙微波背景辐射极化图U前景污染
•   4.5 本章小结
• 第五章 总结与展望
•   5.1 本文总结
•   5.2 未来工作的展望
• 参考文献
• 致谢

文章来源

类型: 硕士论文

作者: 师洪亮

导师: 苏菲

关键词: 宇宙微波背景辐射,图像去噪,深度学习,残差模型

来源: 北京邮电大学

年度: 2019

分类: 基础科学,信息科技

专业: 天文学,计算机软件及计算机应用,自动化技术

单位: 北京邮电大学

分类号: TP391.41;TP181;P159

总页数: 55

文件大小: 5231K

下载量: 48