瞬时射频干扰(Radio Frequency Interference,RFI)信号是最难以识别并消除的一类干扰。针对射电天文观测过程中遇到瞬时射频干扰问题,提出一种基于射频干扰信号峰值的特征提取方法,利用该方法生成射频干扰信号的特征模板,并基于动态时间规整(Dynamic Time Warping,DTW)算法和打分策略设计特征识别算法,实现了射频干扰信号识别以及分类功能,利用ARRL官网(http://www.arrl.org/sounds-of-rfi)提供的射频干扰数据完成了特征模板的交叉验证对比。测试结果显示,射频干扰特征模板与同类别射频干扰相似度高,表明该算法能够对射频干扰进行识别和分类。该算法为瞬时射频干扰的特征提取以及识别提供了一种新思路。
针对中央处理器(CPU)平台中值滤波算法在实际应用中运算速率低且实时信号处理性能较差的问题,提出了一种基于图形处理器(GPU)的并行高速中值滤波算法。该算法采用统一计算设备架构(CUDA)并行架构对大规模数据处理进行了优化,从而有效提高了中值滤波算法的计算效率,实现了中值滤波的实时数据处理。通过构建GPU可任意伸缩的动态数组、优化多维索引的线性化方法解决了GPU动态显存空间分配问题。仿真试验结果表明:基于TITAN X GPU的5×5中值滤波,对4096像素×4096像素的图像处理计算速度比CPU平台提高了438倍。在同等计算规模条件下GPU高速中值滤波算法可大大提高计算性能。
针对射电天文观测过程中的射频干扰(Radio Frequency Interference, RFI)问题,详细分析了国内外台站射频干扰抑制策略。根据各天文台站实际观测过程中遇到的射频干扰问题,分别从主动预防阶段、预相关阶段、后相关阶段、机器学习和深度学习等方面研究了射频干扰的预防策略和抑制方法。详细分析了主动预防阶段可采取的方法,预相关阶段的自适应滤波和空间滤波方法,后相关阶段的VarThreshold, SumThreshold和奇异值分解等方法。探讨了基于机器学习的主成分分析、支持向量机、全卷积神经网络、卷积神经网络、U-Net等相关技术和方法在射频干扰信号处理方面的应用。
