CN105659819B - 一种神经网络星图识别方法 - Google Patents
一种神经网络星图识别方法Info
- Publication number
- CN105659819B CN105659819B CN200710081739.XA CN200710081739A CN105659819B CN 105659819 B CN105659819 B CN 105659819B CN 200710081739 A CN200710081739 A CN 200710081739A CN 105659819 B CN105659819 B CN 105659819B
- Authority
- CN
- China
- Prior art keywords
- star
- primary
- adjacent
- identified
- nautical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 230000001264 neutralization Effects 0.000 title claims description 7
- 230000001174 ascending Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000004088 simulation Methods 0.000 description 2
- 230000000875 corresponding Effects 0.000 description 1
- 238000000034 method Methods 0.000 description 1
Abstract
本发明属于导航技术,涉及对星图识别方法的改进。其特征在于,步骤如下:构造导航星特征模式;构造邻星库;构造自组织网络;训练自组织网络;星图识别。本发明识别过程简单,计算量小,快速性好,识别效率高。<pb pnum="1" />
Description
技术领域
本发明属于导航技术,涉及对星图识别方法的改进。
背景技术
在各种星图识别方法中,采用“星模式”的方法是一个典型的模式识别问题。在这种情况下,每颗导航星都具有独一无二的模式而自成一类,对于每类只有一个特征向量,识别的任务就是将观测星的归到与之模式最相似的导航星所在的类别中来。《基于神经网络技术的星图识别方法》(科学通报,2003年09期,李春艳)提到了一种采用神经网络的星图识别方法。这种方法识别过程复杂,需要构造多个子网分别进行训练,训练量大。另外,识别时需要增加一个分类器用于判断使用哪个子网进行识别,识别过程复杂,计算量大,快速性差。此外,在构造特征模式的时候,使用了划分栅格方法,每次只能识别出一颗星,识别效率低。
发明内容
本发明的目的是:提出一种识别过程简单、计算量小、快速性好、识别效率高的神经网络星图识别方法。
本发明的技术方案是:一种神经网络星图识别方法,其特征在于,步骤如下:
1、构造导航星特征模式;
将导航星表中的每颗恒星依次作为主星,查找其周围邻域内3颗邻星,把这4颗星作为一组,按下述步骤提取出该主星的特征模式:
1.1、确定待选邻星;对于任意一颗主星S1,计算其周围所有邻星到主星的角距Ri,i=1,2,......n,n为主星S1周围所有邻星的数量,将角距位于Rt<Ri<RFOV范围内的星作为待选邻星,RFOV为星敏感器的视场范围,Rt大于0.5°;
1.2、确定构造特征模式的邻星;将所有待选邻星按照与主星S1的角距由小到大排序,选择离主星S1最近的3颗星S2、S3、S4作为构造特征模式的邻星;
1.3、构造主星S1的特征模式;计算主星S1和邻星S2、S3、S4的方向矢量b1、b2、b3、b4,计算方法如下:
bi=[cosαicosδicosαisinδisinδi]T,bi是主星S1和邻星S2、S3、S4的方向矢量,i=1,2,3,4,
αi为第i颗星的赤经;
δi为第i颗星的赤纬;
计算并构造主星S1的特征模式该特征模式为6维向量,计算并构造导航星表中所有导航星的特征模式后存储到导航星表中;
2、构造邻星库;
将每颗主星S1和周围的邻星S2、S3、S4的索引号都存储在一个数据库中,称为邻星库;
3、构造自组织网络;
用于星图识别的自组织网络有两层,第一层是输入层,节点数与导航星特征模式的维数相同,即6个节点;第二层为输出层,节点数和类数相同,类数即所有导航星的个数,为n+1个;每个输出层节点都和输入层节点相连接,输入层和输出层各个节点相连接的权值称为权值向量;
4、训练自组织网络;
对于星图识别,将每颗导航星视为输出层的一个类别,而每一个类别的特征模式只有一个,所以将各个导航星的特征模式赋值给输出层对应节点的权值向量,就完成了自组织网络的训练;
5、星图识别;
5.1、确定待识别主星T1;得到一幅观测星图后,计算出观测星图中的各颗星到图像中心点的距离,然后根据该距离由小到大将各颗星进行排序,选择该距离最小的星作为待识别主星T1;
5.2、确定构造特征模式的邻星;计算待识别主星T1周围邻星到主星T1的角距,以角距最小的3颗邻星T2、T3、T4为构造特征模式的邻星;
5.3、构造待识别主星T1的特征模式;计算待识别主星T1和邻星T2、T3、T4的方向矢量r1、r2、r3、r4,计算方法如下:
ri是待识别主星T1和邻星T2、T3、T4的方向矢量,i=1,2,3,4;
xi为观测星在图像平面上的横坐标,
yi为观测星在图像平面上的纵坐标,
f为星敏感器镜头焦距;
计算并构造待识别主星T1的特征模式:
5.4、识别待识别主星T1;将patr输入到训练好的自组织网络中,查找网络输出为1的节点,该节点的序号所确定的导航星即为待识别主星T1所对应的导航星;
5.5、识别邻星T2、T3、T4;在邻星库中查找该待识别主星T1所对应的导航星的3颗邻星的星号,该3颗邻星分别与邻星T2、T3、T4对应。
本发明的优点是:识别过程简单,计算量小,快速性好,识别效率高。具体表现在:
1、根据主星周围3颗星的分布信息,就可以提取出主星的模式,大大减少了对主星周围邻星数量的要求。
2、本发明进行一次识别即可识别出4颗星,大大提高了识别效率。
3、在训练网络时,与现有方法需要很大的计算量相比,本发明的计算量很小。
具体实施方式
下面对本发明做进一步详细说明。本发明的神经网络星图识别方法,其特征在于,步骤如下:
1、构造导航星特征模式;
将导航星表中的每颗恒星依次作为主星,查找其周围邻域内3颗邻星,把这4颗星作为一组,按下述步骤提取出该主星的特征模式:
1.1、确定待选邻星;对于任意一颗主星S1,计算其周围所有邻星到主星的角距Ri,i=1,2,......n,n为主星S1周围所有邻星的数量,将角距位于Rt<Ri<RFOV范围内的星作为待选邻星,RFOV为星敏感器的视场范围,Rt大于0.5°~1°。
1.2、确定构造特征模式的邻星;将所有待选邻星按照与主星S1的角距由小到大排序,选择离主星S1最近的3颗星S2、S3、S4作为构造特征模式的邻星。
1.3、构造主星S1的特征模式;计算主星S1和邻星S2、S3、S4的方向矢量b1、b2、b3、b4,计算方法如下:
bi=[cosαicosδicosαisinδisinδi]T,bi是主星S1和邻星S2、S3、S4的方向矢量,i=1,2,3,4,
αi为第i颗星的赤经;
δi为第i颗星的赤纬;
计算并构造主星S1的特征模式该特征模式为6维向量,计算并构造导航星表中所有导航星的特征模式后存储到导航星表中。
2、构造邻星库;
将每颗主星S1和周围的邻星S2、S3、S4的索引号都存储在一个数据库中,称为邻星库;获得主星的索引后,就可以在该库中查找主星周围邻星的索引号。
3、构造自组织网络;
用于星图识别的自组织网络有两层,第一层是输入层,节点数与导航星特征模式的维数相同,即6个节点;第二层为输出层,节点数和类数相同,类数即所有导航星的个数,为n+1个;每个输出层节点都和输入层节点相连接,输入层和输出层各个节点相连接的权值称为权值向量。
4、训练自组织网络;
对于星图识别,将每颗导航星视为输出层的一个类别,而每一个类别的特征模式只有一个,所以将各个导航星的特征模式赋值给输出层对应节点的权值向量,就完成了自组织网络的训练。
5、星图识别;
5.1、确定待识别主星T1;得到一幅观测星图后,计算出观测星图中的各颗星到图像中心点的距离,然后根据该距离由小到大将各颗星进行排序,选择该距离最小的星作为待识别主星T1;
5.2、确定构造特征模式的邻星;计算待识别主星T1周围邻星到主星T1的角距,以角距最小的3颗邻星T2、T3、T4为构造特征模式的邻星;
5.3、构造待识别主星T1的特征模式;计算待识别主星T1和邻星T2、T3、T4的方向矢量r1、r2、r3、r4,计算方法如下:
ri是待识别主星T1和邻星T2、T3、T4的方向矢量,i=1,2,3,4;
xi为观测星在图像平面上的横坐标,
yi为观测星在图像平面上的纵坐标,
f为星敏感器镜头焦距;
计算并构造待识别主星T1的特征模式:
5.4、识别待识别主星T1;将patr输入到训练好的自组织网络中,查找网络输出为1的节点,该节点的序号所确定的导航星即为待识别主星T1所对应的导航星;
5.5、识别邻星T2、T3、T4;在邻星库中查找该待识别主星T1所对应的导航星的3颗邻星的星号,该3颗邻星分别与邻星T2、T3、T4对应。
实施例。
试验中采用的导航星来自SAO星表,共有5046颗星。视场大小为10.8°×10.8°,镜头焦距为80mm。像元尺寸为0.015mm,像素为1024×1024。仿真过程在Pentium42.0的计算机上实现。模拟生成一幅图像,图像中共有6颗星,依次为A、B、C、D、E、F。
1、确定待识别主星;计算出观测星图中的6颗星到图像中心点的距离,然后根据该距离由小到大将各颗星进行排序,距离最小的星为D,选择D作为待识别主星;
2、确定构造特征模式的邻星;计算待识别主星D周围邻星到主星D的角距,以角距最小的3颗邻星E、F、C作为构造特征模式的邻星;
3、构造待识别主星D的特征模式;计算待识别主星D和邻星E、F、C的方向矢量r1=[0.8051,0.5870,0.0853]、r2=[0.7453,0.6629,0.0713]、r3=[0.7969,0.6007,0.0641]、r4=[0.9751,0.1973,0.1008],构造待识别主星D的特征模式:
patr=[0.9952,0.9996,0.9095,0.9967,0.8648,0.9021];
4、识别待识别主星D;将patr输入到训练好的自组织网络中,查找网络输出为1的节点,该节点的序号为16,那么索引号为16的导航星即为待识别主星D所对应的导航星;
5、识别邻星E、F、C;在邻星库中查找索引号为16的导航星3颗邻星的星号,分别是18、17、63。即邻星E为18号导航星,邻星F为17号导航星,邻星C为63号导航星。
Claims (1)
1.一种神经网络星图识别方法,其特征在于,步骤如下:
1.1、构造导航星特征模式;
将导航星表中的每颗恒星依次作为主星,查找其周围邻域内3颗邻星,把这4颗星作为一组,按下述步骤提取出该主星的特征模式:
1.1.1、确定待选邻星;对于任意一颗主星S1,计算其周围所有邻星到主星的角距Ri,i=1,2,......n,n为主星S1周围所有邻星的数量,将角距位于Rt<Ri<RFOV范围内的星作为待选邻星,RFOV为星敏感器的视场范围,Rt大于0.5°;
1.1.2、确定构造特征模式的邻星;将所有待选邻星按照与主星S1的角距由小到大排序,选择离主星S1最近的3颗星S2、S3、S4作为构造特征模式的邻星;
1.1.3、构造主星S1的特征模式;计算主星S1和邻星S2、S3、S4的方向矢量b1、b2、b3、b4,计算方法如下:
bi=[cosαicosδicosαisinδisinδi]T,bi是主星S1和邻星S2、S3、S4的方向矢量,i=1,2,3,4,
αi为第i颗星的赤经;
δi为第i颗星的赤纬;
计算并构造主星S1的特征模式该特征模式为6维向量,计算并构造导航星表中所有导航星的特征模式后存储到导航星表中;
1.2、构造邻星库;
将每颗主星S1和周围的邻星S2、S3、S4的索引号都存储在一个数据库中,称为邻星库;
1.3、构造自组织网络;
用于星图识别的自组织网络有两层,第一层是输入层,节点数与导航星特征模式的维数相同,即6个节点;第二层为输出层,节点数和类数相同,类数即所有导航星的个数,为n+1个;每个输出层节点都和输入层节点相连接,输入层和输出层各个节点相连接的权值称为权值向量;
1.4、训练自组织网络;
对于星图识别,将每颗导航星视为输出层的一个类别,而每一个类别的特征模式只有一个,所以将各个导航星的特征模式赋值给输出层对应节点的权值向量,就完成了自组织网络的训练;
1.5、星图识别;
1.5.1、确定待识别主星T1;得到一幅观测星图后,计算出观测星图中的各颗星到图像中心点的距离,然后根据该距离由小到大将各颗星进行排序,选择该距离最小的星作为待识别主星T1;
1.5.2、确定构造特征模式的邻星;计算待识别主星T1周围邻星到主星T1的角距,以角距最小的3颗邻星T2、T3、T4为构造特征模式的邻星;
1.5.3、构造待识别主星T1的特征模式;计算待识别主星T1和邻星T2、T3、T4的方向矢量r1、r2、r3、r4,计算方法如下:
ri是待识别主星T1和邻星T2、T3、T4的方向矢量,i=1,2,3,4;
xi为观测星在图像平面上的横坐标,
yi为观测星在图像平面上的纵坐标,
f为星敏感器镜头焦距;
计算并构造待识别主星T1的特征模式:
1.5.4、识别待识别主星T1;将patr输入到训练好的自组织网络中,查找网络输出为1的节点,该节点的序号所确定的导航星即为待识别主星T1所对应的导航星;
1.5.5、识别邻星T2、T3、T4;在邻星库中查找该待识别主星T1所对应的导航星的3颗邻星的星号,该3颗邻星分别与邻星T2、T3、T4对应。
Publications (1)
Publication Number | Publication Date |
---|---|
CN105659819B true CN105659819B (zh) | 2011-08-31 |
Family
ID=
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104776845A (zh) * | 2015-04-29 | 2015-07-15 | 西安电子科技大学 | 一种基于组合模式的自主星识别方法 |
CN106885577A (zh) * | 2017-01-24 | 2017-06-23 | 南京航空航天大学 | 拉格朗日导航卫星自主定轨方法 |
CN106971189A (zh) * | 2017-03-31 | 2017-07-21 | 西北工业大学 | 一种低分辨率含噪星图识别方法 |
CN107941210A (zh) * | 2017-10-24 | 2018-04-20 | 中国科学院上海技术物理研究所 | 一种结合神经网络技术及三角形算法的星图识别方法 |
CN109272026A (zh) * | 2018-08-30 | 2019-01-25 | 昆明理工大学 | 一种基于卷积神经网络的脉冲星识别方法 |
CN106441280B (zh) * | 2012-09-17 | 2019-05-14 | 常州工学院 | 用于星敏感器的筛选导航星的方法 |
CN110132263A (zh) * | 2019-05-28 | 2019-08-16 | 北京航空航天大学 | 一种基于表示学习的星图识别方法 |
CN110715656A (zh) * | 2019-11-01 | 2020-01-21 | 北京航天自动控制研究所 | 一种基于降维星表的自主星图识别方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106441280B (zh) * | 2012-09-17 | 2019-05-14 | 常州工学院 | 用于星敏感器的筛选导航星的方法 |
CN104776845B (zh) * | 2015-04-29 | 2017-05-03 | 西安电子科技大学 | 一种基于组合模式的自主星识别方法 |
CN104776845A (zh) * | 2015-04-29 | 2015-07-15 | 西安电子科技大学 | 一种基于组合模式的自主星识别方法 |
CN106885577A (zh) * | 2017-01-24 | 2017-06-23 | 南京航空航天大学 | 拉格朗日导航卫星自主定轨方法 |
CN106971189A (zh) * | 2017-03-31 | 2017-07-21 | 西北工业大学 | 一种低分辨率含噪星图识别方法 |
CN106971189B (zh) * | 2017-03-31 | 2019-09-24 | 西北工业大学 | 一种低分辨率含噪星图识别方法 |
CN107941210A (zh) * | 2017-10-24 | 2018-04-20 | 中国科学院上海技术物理研究所 | 一种结合神经网络技术及三角形算法的星图识别方法 |
CN107941210B (zh) * | 2017-10-24 | 2020-11-24 | 中国科学院上海技术物理研究所 | 一种结合神经网络技术及三角形算法的星图识别方法 |
CN109272026A (zh) * | 2018-08-30 | 2019-01-25 | 昆明理工大学 | 一种基于卷积神经网络的脉冲星识别方法 |
CN110132263A (zh) * | 2019-05-28 | 2019-08-16 | 北京航空航天大学 | 一种基于表示学习的星图识别方法 |
CN110132263B (zh) * | 2019-05-28 | 2023-01-31 | 北京航空航天大学 | 一种基于表示学习的星图识别方法 |
CN110715656A (zh) * | 2019-11-01 | 2020-01-21 | 北京航天自动控制研究所 | 一种基于降维星表的自主星图识别方法 |
CN110715656B (zh) * | 2019-11-01 | 2021-07-09 | 北京航天自动控制研究所 | 一种基于降维星表的自主星图识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108665496A (zh) | 一种基于深度学习的端到端的语义即时定位与建图方法 | |
CN110738146A (zh) | 一种目标重识别神经网络及其构建方法和应用 | |
CN110322499B (zh) | 一种基于多层特征的单目图像深度估计方法 | |
CN113486865B (zh) | 一种基于深度学习的输电线路悬挂异物目标检测方法 | |
CN102788581B (zh) | 一种基于改进的微分进化算法的船舶航路规划方法 | |
JP2020119522A (ja) | 物体検出器の学習方法及びテスト方法、それを利用した学習装置及びテスト装置 | |
CN108171249B (zh) | 一种基于rgbd数据的局部描述子学习方法 | |
CN106803063A (zh) | 一种行人重识别的度量学习方法 | |
CN110493717A (zh) | 一种适用于凹型区域的非测距节点融合定位方法 | |
CN110097029B (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
CN106295637A (zh) | 一种基于深度学习与强化学习的车辆识别方法 | |
CN107883947A (zh) | 基于卷积神经网络的星敏感器星图识别方法 | |
CN109523013A (zh) | 一种基于浅层卷积神经网络的空气颗粒物污染程度估计方法 | |
CN107816986A (zh) | 一种星敏感器全天球快速星图识别方法 | |
CN111599007B (zh) | 一种基于无人机航拍的智慧城市cim道路贴图方法 | |
CN108009469A (zh) | 一种基于结构递归神经网络的海上油气平台检测方法 | |
CN115019302A (zh) | 一种改进型yolox目标检测模型构建方法及其应用 | |
CN109410190A (zh) | 基于高分辨率遥感卫星影像的杆塔倒断检测模型训练方法 | |
CN111832404B (zh) | 一种基于特征生成网络的小样本遥感地物分类方法及*** | |
CN106408009A (zh) | 一种基于深度置信网络的邻域加权平均高光谱图像分类方法 | |
Kampffmeyer et al. | Dense dilated convolutions merging network for semantic mapping of remote sensing images | |
CN115375672A (zh) | 一种基于改进型YOLOv4算法的煤矸检测方法 | |
CN105659819B (zh) | 一种神经网络星图识别方法 | |
Qiao et al. | LiteSCANet: An efficient lightweight network based on spectral and channel-wise attention for hyperspectral image classification | |
CN105547286A (zh) | 一种复合三视场星敏感器星图模拟方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
GR03 | Grant of secret patent right | ||
DC01 | Secret patent status has been lifted | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20110831 Termination date: 20170716 |