[论文解读] The application of compressive sampling to radio astronomy II: Faraday rotation measure synthesis

Feng Li, Shea Brown+2 more|arXiv (Cornell University)|Jun 9, 2011

Sparse and Compressive Sensing Techniques参考文献 20被引用 26

一句话总结

本文提出了三种基于压缩感知（CS）的重建方法——CS-RM-Thin、CS-RM-Thick 和 CS-RM-Mix——用于射电天文中的法拉第旋转测量（RM）合成，利用法拉第深度域或小波域中的稀疏性，从不完整、带宽受限的观测中重建色散函数。这些方法在分辨紧密间隔源以及保持幅度和相位精度方面优于 RM-CLEAN，尤其分别适用于法拉第薄源、厚源和混合源。

ABSTRACT

Faraday rotation measure (RM) synthesis is an important tool to study and analyze galactic and extra-galactic magnetic fields. Since there is a Fourier relation between the Faraday dispersion function and the polarized radio emission, full reconstruction of the dispersion function requires knowledge of the polarized radio emission at both positive and negative square wavelengths $λ^2$. However, one can only make observations for $λ^2 > 0$. Furthermore observations are possible only for a limited range of wavelengths. Thus reconstructing the Faraday dispersion function from these limited measurements is ill-conditioned. In this paper, we propose three new reconstruction algorithms for RM synthesis based upon compressive sensing/sampling (CS). These algorithms are designed to be appropriate for Faraday thin sources only, thick sources only, and mixed sources respectively. Both visual and numerical results show that the new RM synthesis methods provide superior reconstructions of both magnitude and phase information than RM-CLEAN

研究动机与目标

• 解决由于极化射电辐射观测不完整且带宽受限所导致的法拉第 RM 合成中病态的逆问题。
• 开发基于 CS 的重建算法，利用法拉第深度域或小波域中的稀疏性，以更高保真度恢复法拉第色散函数。
• 通过选择适当的稀疏表示，为法拉第薄源、厚源和混合源提供定制化解决方案。
• 通过减少旁 lobes 并提高紧密间隔源的分辨率，改进 RM-CLEAN 的性能。
• 证明基于 CS 的方法在计算速度和重建精度方面优于传统方法。

提出的方法

• CS-RM-Thin 在法拉第深度域中使用 L1-范数最小化，假设色散函数在该域中稀疏，适用于法拉第薄源。
• CS-RM-Thick 在小波域中应用 L1-范数优化，利用小波系数中的稀疏性，适用于法拉第厚源。
• CS-RM-Mix 通过联合 L1 正则化，在法拉第深度域和小波域中同时施加稀疏性约束，适用于混合源场景。
• 重建被表述为使用 L1-Magic 求解器、FISTA 或 ISTA 的凸优化问题，观测模型由 RM 扩展函数（RMSF）定义。
• 该方法假设在 m 个观测通道中采用均匀加权，并使用带窗、不完整的频谱覆盖的离散傅里叶型反演。
• 该方法利用极化辐射 P(λ²) 为带限信号且仅在 λ² > 0 时可观测的事实，通过促进稀疏性的优化从不完整数据中实现重建。

实验结果

研究问题

• RQ1 压缩感知能否有效应用于从不完整、带宽受限的射电观测中重建法拉第色散函数？
• RQ2 如何利用法拉第深度域或小波域中的稀疏性，以改善不同源类型下的 RM 合成？
• RQ3 基于 CS 的 RM 合成是否在幅度和相位精度方面优于 RM-CLEAN，以分辨紧密间隔的法拉第源？
• RQ4 对于不同源形态（薄、厚、混合），最优的稀疏基选择（法拉第深度域 vs. 小波域）是什么？
• RQ5 在相似条件下，基于 CS 的方法与 RM-CLEAN 的计算时间相比如何？

主要发现

• CS-RM-Thin 有效分辨了两个紧密间隔的法拉第薄源，而 RM-CLEAN 和标准 RM 合成无法分离它们。
• CS-RM-Thick 通过利用小波域中的稀疏性，为法拉第厚源提供了更优的重建，减少了振铃效应和旁 lobes。
• CS-RM-Mix 在薄源与厚源共存的混合源场景中表现出稳健性能，其保真度和分辨率优于 RM-CLEAN。
• 在相同测试条件下，基于 CS 的方法仅需 3 秒完成重建，而 RM-CLEAN 需 5 秒，表明计算速度更快。
• 基于 CS 的方法性能在很大程度上取决于对源类型的先验知识以及对稀疏基（深度域或小波域）的恰当选择。
• 为获得最佳结果，较大的 φR（法拉第深度分辨率）有利于选择 CS-RM-Thin，而较小的 φR 可能需要使用 CS-RM-Thick，尽管增加 N（未知数数量）会引入更多不确定性。