一种X射线脉冲星信号特征提取算法

doi:10.15966/j.cnki.dnydx.2024.05.005

全文: PDF( KB)
输出: BibTeX | EndNote (RIS)

摘要

利用脉冲星X射线信号对飞船进行导航是深空探测的一大热门研究领域。在X射线脉冲星导航中，对X射线脉冲星信号进行辨识非常重要。提出以时间周期峰度作为脉冲星信号的特征提取算法，并结合ResNet34对其训练验证。以辨识准确性超过90%作为辨识成功的标准，其中B0531+21、B0540-69和B1509-58三颗脉冲星完成辨识任务的最短观察时长分别为0.5 s、2.5 s和15 s。实验证明，TCK能快速、准确地完成X射线脉冲星信号的辨识任务。

	服务
	把本文推荐给朋友
	加入引用管理器
	E-mail Alert
	RSS
	（）
	作者相关文章

关键词 ： , XNAV, 辨识, TCK, 特征提取, ResNet34

Abstract：The use of pulsar X-ray signals for spacecraft navigation is a hot research field in deep space exploration. In X-ray Pulsarbased Navigation (XNAV), identifying X-ray pulsar signals is extremely important. This article proposes the Time Cycle Kurtosis (TCK) as an identification algorithm for extracting pulsar signal features, and combines it with ResNet34 for training and verifica‐ tion. The criterion for successful identification is based on an accuracy of over 90%, with the shortest observation times for B0531+ 21, B0540-69, and B1509-58 pulsars to complete the identification task being 0.5 s, 2.5 s, and 15 s, respectively. This article demon‐ strates through experiments that TCK can quickly and accurately complete the identification task of X-ray pulsar signals.

Key words： XNAV identification TCK feature extraction ResNet34

年卷期日期: 2024-05-10 出版日期: 2024-08-28

引用本文:

曾豪, 　杨乘, . 一种X射线脉冲星信号特征提取算法[J]. 电脑与电信, 2024, 1(5): 6-.
ZENG Hao, 　YANG Cheng, . An Algorithm for Identifying X-ray Pulsar Signals. Computer & Telecommunication, 2024, 1(5): 6-.

链接本文:

https://www.computertelecom.com.cn/CN/10.15966/j.cnki.dnydx.2024.05.005 或 https://www.computertelecom.com.cn/CN/Y2024/V1/I5/6

[1]	柳成林　路明. 5G基站时钟改造建设方案分析[J]. 电脑与电信, 2024, 1(5): 84-.
[2]	林亚娜. 新工科导向的软件测试课程多元化建设研究[J]. 电脑与电信, 2024, 1(3): 56-.
[3]	柴媛媛孙纳新孟陈然程慧郑晶晶. 基于课程思政的计算机实践教学模式探索 [J]. 电脑与电信, 2023, 1(1-2): 5-7.
[4]	苏萃文柴国强. 基于面部特征检测的人脸表情实时识别 [J]. 电脑与电信, 2023, 1(1-2): 17-21.
[5]	钟冠华黄巍. 基于多特征提取网络的视觉关系检测方法研究 [J]. 电脑与电信, 2022, 1(7): 67-.
[6]	李丹. 北部湾海域水声传感器网络动态拓扑仿真[J]. 电脑与电信, 2021, 1(8): 18-21.
[7]	刘卉芳. 基于运营商大数据的反欺诈模型研究与应用[J]. 电脑与电信, 2021, 1(7): 46-52.
[8]	高立强缪凯. 改进型协同过滤的网络课程推荐算法[J]. 电脑与电信, 2021, 1(6): 53-56.
[9]	张春刘超刘旭东陈志豪江勇张辉周辉胡建村. 商圈消费者画像构建与潜在消费者挖掘方法 [J]. 电脑与电信, 2021, 1(6): 79-86.
[10]	邬鹏翚. 项目驱动型教学在动态网站设计课程中的应用[J]. 电脑与电信, 2021, 1(4): 51-53.
[11]	沈雅婷邵莹卞恺. 智慧图书馆图书分类模型技术研究综述 [J]. 电脑与电信, 2021, 1(12): 9-13.
[12]	金华. 基于缓存和分库组件的在线培训数据系统研发与应用[J]. 电脑与电信, 2021, 1(1): 37-40.
[13]	陆娇娇. 基于智慧教学平台超星学习通的混合教学模式与应用研究[J]. 电脑与电信, 2021, 1(1): 58-61.
[14]	张翼翔, 杨铁宝. 基于隐马尔科夫模型的DC/DC变换器故障检测[J]. 电脑与电信, 2015, 1(1-2): 63-66.
[15]	曾青松 . 一种基于序列匹配的行为识别方法[J]. , 2011, 1(03): 0-0.