关键词:
DFDI
视向速度
多普勒相移
背景白光预测
深度学习
卷积神经网络
摘要:
色散固定光程差干涉仪(The dispersed fixed-delay interferometer,DFDI),是一种基于视向速度法的系外行星探测干涉光谱仪器,恒星光谱进入仪器后先后经干涉仪与中低分辨率光谱仪输出对应的干涉光谱图像,DFDI通过测量恒星吸收线干涉光谱的多普勒相移变化探测视向速度变化。然而恒星光谱中白光产生的干涉光谱对DFDI相位解析产生干扰,严重影响视向速度探测精度。传统的处理方法如余弦振幅约束法和频域滤波法在固定光程差或目标光谱方面存在较为苛刻的要求,因此本文基于深度学习的方法预测背景白光干涉光谱,实现对背景白光干扰的精准去除,进而提高视向速度探测精度。
DFDI输出干涉光谱图像生成过程为干涉条纹与光谱仪特性函数的卷积,其与卷积神经网络(Convolutional Neural Network,CNN)运算过程十分契合,结合其在空间域内的结构特点,本文基于卷积神经网络设计了一种轻量化神经网络模型——背景白光预测网络(Background White light Prediction Network,BWP-Net),该模型基于U-net架构,通过结合多通道卷积与深度可分离卷积,先从干涉光谱中逐步提取不同网络深度的特征,再通过多层注意力反卷积融合深层特征与浅层特征,逐步重建图像细节,最终预测输出背景白光干涉光谱。
干涉光谱中背景白光与吸收线特征的区分在频域空间内有明确区分,通过对比分析其在空域频域中不同特性,本文基于双域联合与多尺度特征提取提出了背景白光重建网络(Background White light Reconstruction Net,BWR-Net),该模型通过空域频域两条支路提取干涉光谱中背景白光部分的全局特征,再利用多尺度特征提取机制结合残差卷积块提取在不同感受野、不同网络深度下提取图像局部细节特征,最后分两阶段重建干涉光谱中吸收线部分的背景白光特征,实现背景白光干涉光谱的精准预测。
实验结果表明,在不同吸收线、不同固定光程差、不同视向速度条件下,干涉光谱在消除BWP-Net与BWR-Net网络输出的背景白光干涉光谱后,视向速度探测精度均小于1m/s,其中BWP-Net误差范围主要集中在0~0.4m/s,BWR-Net范围主要集中在0~0.25m/s。与传统处理方法相比,BWP-Net对应的平均视向速度反演误差下降了0.0727m/s,且模型整体计算效率更高,稳定性更好;BWR-Net对应的平均视向速度反演误差下降了0.1453m/s,实现了视向速度反演精度的大幅提升。同时,无论是BWP-Net还是BWR-Net,均一定程度上弥补了传统方法在光程差与目标光谱方面存在的缺陷,使视向速度反演更加稳定。
综上,本文提出两种深度学习神经网络BWP-Net与BWR-Net,不仅能够准确预测背景白光,且突破了传统干涉光谱数据处理方法的限制,具有较强的稳定性和鲁棒性,为DFDI高精度稳定探测视向速度提供有力保障。