基于小波变换和注意力的卷积网络凌星光变分类研究.pdfVIP

基于小波变换和注意力的卷积网络凌星光变分类研究

摘要

随着天文观测设备和技术发展，大视场望远镜项目推动了时域天文学的研究，其中

凌星法探测系外行星是时域天文学的研究热点之一。光变时间序列是记录天体观测亮度

随时间变化的重要数据，其中蕴含着丰富的物理信息。随着时域天文巡天范围的扩大，

数据采集精度的提高，数据规模呈现大幅增长，传统数据分析方法已经无法在复杂多变

的光变大数据中快速准确地搜寻目标天体。新一代时域天文的观测数据处理，需要高效

的数据处理和分析方法。

本文主要以凌星法时域巡天的光变序列分类为研究对象，针对不同的数据处理场景

面临的挑战，提出了相应的解决方案。本文的研究重点和创新点包括：

（1）在凌星法时域巡天的数据处理领域，为了在有限的数据量中增强网络学习能

力，处理复杂多变的光变数据，通常先采用相位折叠法进行特征提取，强化周期性特征，

抑制噪声，再进行网络分类。然而，相位折叠法无法表征光变序列的多周期和不规则变

化，且需要精确的周期参数，长跨度测光数据。针对相位折叠法处理凌星法光变序列的

局限，提出了一种基于小波变换的光变序列表征方法。通过6层bior3.9小波的Sqtwolog

硬阈值小波包分解，在强化周期性特征、抑制数据噪声、原始数据维度降低约32倍的

同时，分离高频和低频信息，获取原始光变序列的6层小波分解后的高频、低频分量。

针对变长序列输入的问题，使用三次样条插值重采样小波变换后获取的高低频分量，为

神经网络和传统特征的结合给出新途径。

（2）针对大视场和高采样率时域巡天带来的海量数据，复杂多变的天体光变序列，

提出基于时间和通道注意力的卷积神经网络分类算法。基于光变序列的小波表征，将凌

星法时域巡天光变序列的高低频分量作为网络的双通道输入。通过时间和通道注意力机

制，提高网络处理长序列数据的能力，捕捉光变序列的时空相关性。在TESS测光序列

的测试中，网络可成功召回94.32%的行星，90.71%的食双星，81.10%的变星和95.16%

的仪器噪声等其他类别目标，分类准确达到91.84%。本研究利用深度学习，有效地解决

时域天文学中，凌星法时域巡天获取的大规模、高维度光变时序数据处理和分析问题，

解决凌星法时域巡天快速准确识别观测目标的问题，为时域天文学研究提供新的思路和

方法。

关键词：小波变换；卷积神经网络；凌星法时域巡天；光变序列分类；注意力机制

基于小波变换和注意力的卷积网络凌星光变分类研究

Abstract

Withthedevelopmentofastronomicalobservationequipmentandtechnology,thelarge

fieldofviewtelescopeprojecthaspromotedthestudyoftime-domainastronomy,amongwhich

thetransitmethodfordetectingexoplanetsisoneoftheresearchhotspotsintime-domain

astronomy.Thelightcurveisanimportantdatathatrecordsthevariationofthebrightnessof

celestialobjectsovertime,andcontainsrichphysicalinformation.Withtheimprovementof

theaccuracyoftime-domainastronomicaldataacquisition,thedatascalehasshowna

significantincrease,andtraditionaldataanalysismethodsarenolongerabletoquicklyand

accuratelysearchfortargetcelestialobjectsincomplexanddiverselightcurvesequenc