用于法拉第旋转量综合的 MUSIC 算法

法拉第旋转量 (RM) 综合需要从限制在有限波长范围内的测量中恢复法拉第色散函数 (FDF)，这是一个病态的反卷积问题。在此，我们提出了一种基于多信号分类 (MUSIC) 算法扩展的新型反卷积方法。该方法的复杂度和速度由观测偏振的协方差矩阵的特征分解决定。我们通过数值实验表明，在高至中等信噪比 (S/N) 的情况下，RM-MUSIC 方法能够恢复紧密间隔的薄 RM 分量对的法拉第深度值，即使在 FDF 的峰值响应位于两个输入 RM 分量之间的 RM 范围之外的情况下也是如此。这一结果尤为重要，因为基于 RM-CLEAN 的标准反卷积方法由于其提取 RM 分量的贪婪机制，在这种情况下会系统地失效。对于低信噪比情况，RM-MUSIC 和 RM-CLEAN 方法提供了相似的结果。