论文部分内容阅读
2016年9月五百米口径球面射电望远镜(FAST)已经建成,脉冲星巡天将是FAST开展的重要科学项目之一,预计年巡天数据量将产生上亿脉冲星候选体,依赖人工筛选和验证已不能满足巡天的数据时效需求,更不可能实现数据的实时处理。因此,本文将针对脉冲星搜索数据处理中现有的筛选方法进行总结和展望,并实现候选体的自动化验证,以及对FAST团队即将开展的基于模式识别筛选候选体工作中模拟观测数据程序simPulseTrain进行优化和并行化改造。 本文梳理有关FAST的指标和观测性能,介绍脉冲星巡天方式。其次,介绍脉冲星搜索数据处理过程,并综述人工智能方法在脉冲星候选体筛选中的应用,统计分析已有脉冲星候选体筛选方法性能,并对FAST脉冲星候选体筛选工作进行展望。此外,传统的脉冲星候选体验证是通过人工查询PSRCAT中数据进行对比,效率较低,本文将基于Web和数据库技术实现脉冲星候选体验证自动化,并开发相应的Web接口。利用Parkes多波束脉冲星巡天在FAST天区数据进行处理(约60G),获得了约3万个候选体文件进行验证,最终得到27颗已知脉冲星对应的247个脉冲星候选体,结果表明该方法对计算中产生的对应周期的候选体均能成功匹配。FAST团队模拟生成的观测数据用于模拟FAST脉冲星漂移巡天及估算巡天的灵敏度,并即将开展生成特定类型的候选体用于机器学习训练集,实现脉冲星候选体筛选智能化。模拟程序simPulseTrain在模拟带色散的信号时通道数较多,生成程序采用单线程方式,运行速度太慢,因此,需要实现模拟方法并行化。概述了脉冲星观测数据模拟方法,并优化了模拟方法,在多核CPU上利用OpenMP并行程序设计,实现并行加速,最终实验数据表明:采用CPU多核并行能将改进的算法性能提升约14倍。