用于天文目标光变曲线分类的视听结合交互方法

技术领域

本发明涉及人机交互接口、天文数据清洗转换和分析，更具体地说，涉及一种用于天文目标光变曲线分类的视听结合交互方法。

背景技术

光变曲线是天文学中一种重要的观测数据，主要用于研究天体的物理性质、演化过程等。由于光变曲线具有多样性和复杂性，需要通过分类来更好地理解和解释这些数据。目前，已经有一些光变曲线分类算法被提出和应用，但这些算法大多采用机器学习方法，需要处理大量的数据和特征，同时需要高水平的专业知识。因此，设计一款人机智能交互的平台，可以让更多的研究人员和爱好者得以利用这些数据，并实现快速准确的光变曲线分类，提高天文学的研究效率和推广普及工作。另外，光变曲线分类的人机智能交互的平台，也可以应用于其他领域的数据处理和分类应用，具有广泛的实际应用价值。

但传统的形态分类存在一些问题。由于光变曲线的多样性和复杂性，仅依靠形态特征进行分类可能不够准确。此外，形态分类方法需要专业知识才能解读和理解，限制了公众参与的能力。这类技术具有以下缺点：(1)分类结果受环境影响大。显示设备质量、观察角度和色彩等因素会影响人类对光变曲线图像的感知能力，影响分类结果。(2)转换为图像后，数据特征缺失。光变曲线是随时间变化的数据，将其转化为二维图像后，其形态会受到噪声、抖动等因素的影响，导致数据具有不稳定性，使得人眼难以从中发现具有光变的天体。

综上所述，由于传统的形态分类准确率较低因此亟需一款人机智能交互的平台方便大众对光变曲线进行分类。

发明内容

针对现有技术存在的问题，本发明提出一种用于天文目标光变曲线分类的视听结合交互方法，实现对光变曲线进行数据预处理，再将数据转换成音乐输出，将音乐上传至公众科学平台，让大众根据光变曲线产生的音乐进行分类，提高天文学的研究效率和推广普及。

为实现上述目的，本发明提供了以下技术方案：

一种用于天文目标光变曲线分类的视听结合交互方法，对天文目标光变曲线进行数据预处理，再依照光变曲线的频率和时变特性，将光变曲线转换成音乐输出至公众科学平台供公众分类，具体包括以下步骤：

步骤1.光变曲线预处理：对光变曲线数据进行去噪、去异常点和平滑处理，将光变曲线采样时间间隔Δt除以所有采样间隔中最小的Δt得到倍数n，对每个时间间隔线性插入n-1个点；

步骤2.光变曲线音频化处理，提取光变曲线的不同特征，将光变曲线转换为音频信号，通过声音的方式描述和呈现光变曲线的变化；

步骤3：建立公众科学平台，将步骤2获取的光变曲线的图像和音频上传至公众科学平台上，通过视听结合的方式，从视觉角度、声音角度实现对光变曲线的分类。

进一步，步骤2中，光变曲线进行音频化处理通过如下任一方式：

方式一：音乐骰子法：将光变曲线转化为音乐的旋律，首先将光变曲线的时间和光度数据读取到python数据结构中，然后对光度数据进行归一化，使光度数据在0到1之间范围内；再将光度数据进行离散化，分成若干个等间隔的区间，将离散化后的光度数据映射到一个数字序列，每个数字代表一个音符或一段旋律，进而将音符或旋律进行排序组成不同的乐曲；

方式二：周期变换法：将光变曲线转化为不同乐器发出的音乐，将光变曲线用lombscargle算法做处理，用lombscargle算法确定光变曲线需要分析的频率范围，生成一组包含所需频率的网格，用于对光变曲线数据进行采样；在每个频率处，将时间序列拟合为一个正弦函数，并利用最小二乘法计算出最佳拟合参数；将最佳拟合参数代入正弦函数中得到变换结果，将变换结果平方并除以两倍时间长度得到频率谱；绘制频率谱图，表示每个可能的频率在时间序列中的功率；根据频谱图设置二个阈值，首先将总功率的三分之二除以平均数作为第一个阈值，即阈值一，然后将总功率的三分之一除以平均数作为第二个阈值，即阈值二，选择频谱中高于阈值一的位置作为主频率的数值，选择频谱中低于阈值一且高于阈值二的位置作为二次频率的数值，选择频谱中低于阈值二的位置作为三次频率的数值，利用两个阈值将频率谱分为三段，其中每一段频率谱对应一种乐器，将每一段频率谱最低功率所对应的频率作为音乐的基频，已分成三段的频率谱的每一段频率用快速傅里叶变换将频域数据转换成时域数据生成对应的波形信号，每一种波形信号对应不同的乐器，每种音乐的音强代表波形强度，其中，三段频率谱中的主频率的部分作为音乐的主节奏，最后将多段波形产生的音乐进行叠加和输出；

方式三：利用深度神经网络DNN产生音乐，建立一个深度神经网络，深度神经网络的输入为光变曲线，输出为一段根据周期变换法产生的音乐；利用周期变换法将每条光变曲线与一段音乐进行对应分析，从而找到光变曲线与所对应的一段音乐之间的关联性，并用这些产生的光变曲线和相对应的音乐对DNN神经网络进行训练；通过反向传播算法，不断调整模型的权重和偏置，以最小化预测音乐与真实音乐之间的差异，训练后，深度神经网络DNN直接根据输入的不同的光变曲线产生对应的音乐。

进一步，周期变换法中，在进行lombscargle算法处理前，对光变曲线数据做线性插值的预处理。

进一步，步骤1中，利用高斯滤波进行去噪处理，采用3sigma法则对光变曲线进行去异常点处理；去异常点之后，再采用移动平均滤波来对光变曲线进行平滑处理。

综上所述，发明具有以下增益效果：

本发明提高对光变曲线的分辨能力，将光变曲线转换成音乐，将复杂的光变曲线变成听觉化的音乐信号，从而提高了人们对光变曲线分类的准确度。人的听觉和视觉系统在对信息的处理和分析上有不同的特点，通过不同感官的输入可以提高数据的识别和区分能力，增加用户体验。通过将光变曲线转换成音乐信号，配合合适的可视化工具，提供更直观、全面的数据展示。用户可以通过观察可视化效果和听觉信息来进一步分析和理解数据，从而获得更准确和全面的分类结果。

附图说明

图1为经过预处理后的光变曲线。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明公开了一种用于天文目标光变曲线分类的视听结合交互方法，对天文目标光变曲线进行数据预处理，再依照光变曲线的频率和时变特性，将光变曲线转换成音乐输出至公众科学平台供公众分类，具体包括以下步骤：

步骤1.光变曲线预处理

步骤2.光变曲线音频化处理，提取光变曲线的不同特征，通过声音的方式来描述和呈现光变曲线的变化，光变曲线进行音频化处理通过如下任一方式：

方式一：音乐骰子法：将光变曲线转化为音乐的旋律，首先将光变曲线的时间和光度数据读取到python数据结构中，然后对光度数据进行归一化，使光度数据在0到1之间范围内；再将光度数据进行离散化，分成若干个等间隔的区间，将离散化后的光度数据映射到一个数字序列，每个数字代表一个音符或一段旋律，进而将音符或旋律进行排序组成不同的乐曲。

方式二：周期变换法：将光变曲线转化为不同乐器发出的音乐，将光变曲线用lombscargle算法做处理，用lombscargle算法确定光变曲线需要分析的频率范围，生成一组包含所需频率的网格，用于对光变曲线数据进行采样；在每个频率处，将时间序列拟合为一个正弦函数，并利用最小二乘法计算出最佳拟合参数；将最佳拟合参数代入正弦函数中得到变换结果，将变换结果平方并除以两倍时间长度得到频率谱；绘制频率谱图，表示每个可能的频率在时间序列中的功率；根据频谱图设置二个阈值，首先将总功率的三分之二除以平均数作为第一个阈值，即阈值一，然后将总功率的三分之一除以平均数作为第二个阈值，即阈值二，选择频谱中高于阈值一的位置作为主频率的数值，选择频谱中低于阈值一且高于阈值二的位置作为二次频率的数值，选择频谱中低于阈值二的位置作为三次频率的数值，利用两个阈值将频率谱分为三段，其中每一段频率谱对应一种乐器，将每一段频率谱最低功率所对应的频率作为音乐的基频，已分成三段的频率谱的每一段频率用快速傅里叶变换将频域数据转换成时域数据生成对应的波形信号，每一种波形信号对应不同的乐器，每种音乐的音强代表波形强度，其中，三段频率谱中的主频率的部分作为音乐的主节奏，最后将多段波形产生的音乐进行叠加和输出。

方式三：利用深度神经网络DNN产生音乐，建立一个深度神经网络，深度神经网络的输入为光变曲线，输出为一段根据周期变换法产生的音乐；周期变换法中，在进行lombscargle算法处理前，对光变曲线数据做线性插值的预处理。利用周期变换法将每条光变曲线与一段音乐相对应，光变曲线与所对应的一段音乐进行对应的匹配性分析，从而找到光变曲线与所对应的一段音乐之间的关联性，并用这些产生的光变曲线和相对应的音乐对DNN神经网络来进行训练。通过反向传播算法，不断调整模型的权重和偏置，以最小化预测音乐与实际音乐即真实音乐之间的差异。训练后，深度神经网络DNN可以直接根据输入的不同的光变曲线产生对应的音乐。

步骤3：建立公众科学平台，将步骤2获取的光变曲线的图像和音频上传至公众科学平台上，通过视听结合的方式，从视觉角度、声音角度实现对光变曲线的分类。

下面以kepler望远镜拍摄到的光变曲线数据为例，采用如下步骤：

步骤一、先对一维数据的光变曲线进行预处理对光变数据首先进行数据去噪和去异常点处理，由于中值滤波容易消除信号中的小幅度波动和较为连续的斜坡变化，因此首先这里采用高斯滤波的处理方法来去噪。使用高斯滤波的具体计算方法如下1：需要选择一个合适的卷积核，即高斯核。2：将选定的卷积核放置在图像的一个像素点上，用高斯核中的数值与相应的像素值相乘，再将所有乘积结果相加，得到这个像素点的新值。3：重复以上操作，直到对图像上的每个像素点都进行了计算。因此在本实施例中，先采用公式(1)高斯滤波来对光变数据进行去噪处理，其中公式(1)中，G_{ij}表示高斯滤波后像素点的灰度值，i_0和j_0表示该像素点的位置坐标，σ表示高斯核的标准差。其次，采用3σ法则做去异常值点处理，3σ法则具体计算方法如下1：计算数据的平均值和标准差。2：根据3σ法则，99.73％的数据会落在平均值±3个标准差的范围内。3：如果数据集中的值落在平均值±3个标准差以外，则可以认为这些值是异常值。因此采用公式(2)3σ法则对光变曲线进行去异常点处理，其中公式(2)中，μ表示数据集的均值，σ表示数据集的标准差。再次，再对数据进行平滑处理，采用公式(3)移动平均滤波来对光变曲线进行平滑处理。其中公式(3)中光变曲线的第i个点为yi，n为平滑窗口的大小，即每个区间的数据点的数量。然后，再进行线性插值处理，先算出每个时间点的时间间隔Δt，例如Δt＝t2-t1。对Δt进行取整处理，用每个Δt整除最小的Δt得到倍数n，对应每个时间间隔线性插入n-1个点。最后，对周期型变星用公式(4)计算每个时间点的相位进行周期折叠处理。其中公式(4)中t是当前时间点，t0是最早观测到光变曲线的时间点，int()是向下取整函数。phi的值在0到1之间。具体处理好的光变曲线图像如图1所示。

p

步骤二、步骤2有三种算法分别是1：音乐骰子法：音乐骰子法主要用于将光变曲线转化为音乐的旋律。首先将光变曲线的时间和光度数据读取到numpy数组中，时间数据通常作为X轴，而光度数据作为Y轴，用公式(5)对光度数据进行归一化，使其在0到1之间范围内，其中公式(5)中X

使用训练集对深度神经网络进行训练。选择合适的损失函数和优化算法，并根据验证集的表现调整模型参数。迭代训练过程，直到模型收敛或达到预设的训练轮数。使用验证集评估模型的性能。可以计算生成音乐的准确度、多样性、音乐结构等指标，以确定模型是否满足预期要求。根据评估结果和特定需求，对模型进行调优。可能需要调整网络结构、参数设置、损失函数等，以提高生成音乐的质量。使用经过训练和调优的DNN模型，输入光变曲线数据，让模型生成对应的音乐。可以通过将模型的输出解码为音符序列或音频信号来产生音乐。根据需要，对生成的音乐进行后处理。例如，进行音符长度调整、和弦处理、音乐结构调整等，以获得更加完整和优美的音乐。将生成的音乐保存为音频文件或播放出来，以供欣赏和使用。

步骤三、建立公众科学平台，将光变曲线的图像和音频放在该平台上，通过视听结合的方式，为大众提供分类服务。视觉角度为图像的形状，声音角度为旋律、节奏和和声三个方面来区分：比如莫扎特音乐骰子产生的一个数字代表一段旋律，从而可以产生的多个旋律组成一段乐曲；可以用周期变换法获得各个乐器演奏的音乐来判断周期；和声则可以从周期变换法中各个乐器演奏的声音的相对强度叠加来判断。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。