基于LSTM的GWAC光变曲线预测与预警研究

发布时间：2020-06-13 10:16

【摘要】：天文大数据是科学领域研究中的重要一环,对天体现象的研究可以使我们进一步了解宇宙,这是解决天文学相关难题的必要基础。光变曲线是光亮度随时间变化的函数,研究能够发现短时发生的瞬变天体现象。GWAC提供了重要的星体点源图像信息,是中法合作的SVOM项目中重要的地面设备。在光变曲线研究中,选取适当的方法对实时光亮度数据进行监控与异常亮度值预警是非常重要的。本文首先对课题研究方法的背景与意义进行了概述,结合课题的需求分析了光变曲线的研究意义以及LSTM神经网络对课题需求的适用性,为光变曲线研究的本质做出了定义。同时列举了近年来国内外学者对光变曲线的研究以及相关异常检测方法在各个领域的研究成果。对于相关的技术理论进行了概述,这是本文研究方案的理论基础。之后对本文使用的光变曲线数据库进行了介绍,描述了光变曲线从点源图像到光亮度曲线生成的过程,在数据库中对点源信息提取了所需要的特征值,分别包括星体的uniqueID、时间戳、光亮度值。对于选取的数据集进行了分析以对其有更好的理解。将提取的特征值进行预处理后作为所选模型的使用数据。本文实现了基于LSTM神经网络的离线学习预警算法,使用LSTM神经网络模型对历史数据进行训练。介绍了模型结构与参数选取的过程,对模型性能进行了的评估,并根据模型预测值与真实值的误差提出了基于预测误差的异常检测算法,使用真实数据与人工添加异常数据对算法进行评估。在此之后,实现了基于LSTM神经网络的在线学习的预警算法。与离线算法相比,模型在线学习的过程利用新的观测数据更新模型的权重。解决了实时数据流预测误差偏移的问题,即实时光变曲线异常亮度数据出现时所造成的预测误差偏离正常值,导致对之后获取正常亮度数据的预测偏差。对于疑似异常点处权重的更新与正常点不同,使得异常点后的预测结果可以快速更新到正常状态。基于优化后的预测误差,使用基于统计的方法进行异常检测。实验证明,相比于离线学习预警算法,对于异常点的检验有着更好的适用性。
【图文】：

实例图,点异常,数据集,实例

图 2-1 基于两个数据集的点异常实例Figure2-1 Poiot anomaly instances based on two data sets.变曲线当中，，我们只关注某一颗星体的单一亮度值的较于前后时间点而已言远超过正常的亮度范围，就可常义，如果数据实例在特定上下文中是异常的，但对于被称为上下文异常，也称为条件异常。的考虑因素主要包括以下两点：联的属性用来确定上下文（或附近）的。例如，在空间数据集下文属性。在时间序列数据中，时间属性本身就是整定了事件实例的位置。对于星体亮度而言，时间的节

示意图,光变曲线,示意图,天文技术

第 2 章相关理论技术研究曲线研究而言，由于星体的数据是由观测望远镜拍摄所获取的时需要考虑拍摄设备影响数据观测的结果以及天文现象发生因素。这些属性的设定非常依赖于相关的天文技术，因此上下界定。异常相关数据实例集合与整个数据集不一致，则称为集合异常。集据本身可能不是异常，但它们作为集合一起出现时是异常的
【学位授予单位】：北京工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP391.41;P11

【相似文献】