CN107941210B - 一种结合神经网络技术及三角形算法的星图识别方法 - Google Patents
一种结合神经网络技术及三角形算法的星图识别方法 Download PDFInfo
- Publication number
- CN107941210B CN107941210B CN201711000804.1A CN201711000804A CN107941210B CN 107941210 B CN107941210 B CN 107941210B CN 201711000804 A CN201711000804 A CN 201711000804A CN 107941210 B CN107941210 B CN 107941210B
- Authority
- CN
- China
- Prior art keywords
- star
- triangle
- map
- identification
- stars
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/02—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means
- G01C21/025—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by astronomical means with the use of startrackers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Astronomy & Astrophysics (AREA)
- Navigation (AREA)
Abstract
本发明公开了一种结合神经网络技术及三角形算法的星图识别方法,恒星敏感器工作期间,在没有先验姿态的情况下,可以采用该方法进行全天星图识别。对于筛选好的星库,根据每颗星的邻近星的分布特点,构造特征向量,采用神经网络技术构建分类网络,对星表中所有恒星进行分类,并将每颗恒星与其邻近星的三角形信息存储在对应的三角形库中。星图识别过程中,生成待识别恒星的特征向量,通过分类网络输出最相似类,在该类对应的三角形库中应用三角形算法,找到匹配三角形。当验证成功之后,输出该识别姿态。本发明的优点是存储量小、识别速度快、识别率高、抗干扰性强。
Description
技术领域
本发明属于航天器姿态测量技术领域,涉及一种结合了神经网络技术及经典三角形算法的星图识别方法,适用于恒星敏感器在没有先验姿态的情况下进行全天星图识别。
背景技术
飞行器的导航技术是飞行器进行太空探索的关键技术之一,而飞行器姿态的解算是导航技术的基础。恒星敏感器是常用的姿态确定仪器之一,关键技术主要包括星点质心定位、星图识别和姿态解算,其中,星图识别过程决定着恒星敏感器的姿态准确率、姿态输出速度。因此,应用具有更高识别率及识别速度的星图识别方法,是恒星敏感器的研制过程中尤为重要的。
国内外提出的星图识别方法主要分为三大类:基于星座特征的方法、基于字符模式的方法、基于智能行为的方法。其中,基于星座特征的三角形算法是最经典且应用最广的算法,该方法简单易懂、易于实现,但是存储量大、易出现冗余匹配。基于神经网络的算法是随着人工智能技术的发展而提出的,备受关注,但是已有的基于神经网络的识别算法对硬件要求较高、实现较困难,且仿真速度较慢,不能满足恒星敏感器实时性的要求。
本发明针对以上两种算法的缺点,提出了一种结合神经网络技术及经典三角形算法的星图识别方法。该方法存储量小、识别速度快、识别率高、抗干扰性强。
发明内容
本发明的目的是提出了一种结合神经网络技术及三角形算法的星图识别方法,将神经网络技术应用到星图识别过程中,解决经典三角形算法存储量大、识别速度慢等问题。
本发明选择满足精度需求的星表,一般星表中星的位置精度高于千分之一角秒,比如1997年发表的第二版《依巴谷星表》。
如图1所示,基于识别***的需求建立相应的星表,剔除星表中的双星和变星,其中,变星在星表中被标识出来,双星的判断标准受成像***以及识别精度的影响,一般将两星之间的角距小于0.1角秒的星视为双星。
根据每颗星的邻近星的分布特点,构造星的特征向量作为网络的输入。选择神经网络技术中属于无监督学习的自组织映射网络,确定网络的训练次数,循环输入数据进行分类优化,循环结束,输出分类结果及网络参数。
确定星表中每颗星的类别之后,生成三角形星库,在每颗星的邻近星中选择较亮的几颗星,与该星组成三角形,若选择邻近n颗亮星,则会组合出n×(n-1)/2个三角形,n一般为3~10,将三角形的三个角距及三颗星的信息存储在三角形信息库中,不同类别的星拥有不用的三角形信息库。至此,完成星表的构建。
基于已建好的星表,本发明的星图识别过程的步骤如下:
1).输入待识别星,采用相同的特征提取方法,生成待识别星的特征向量并输入已训练好的自组织映射网络,网络输出该星与所有类的相关度,选择相关度最高的一类代表该星进行后面的识别匹配;
2).将待识别星与其邻近最亮的n颗星进行组合,生成n×(n-1)/2个三角形,n一般选择3~10,按照邻近星的亮度由大到小对三角形进行排序;
3)根据待识别星所属的种类,在该类所对应的三角形库中,应用三角形算法,依次匹配排好序的组合三角形;
4).当找到匹配三角形时,根据待识别星所匹配的恒星在星表中的信息,以及待识别星在实测星图中坐标,生成星表中该星可形成的理论星图,验证理论星图与实测星图的差距,如果理论星图中的恒星大部分都能在实测星图中找到,且坐标误差在允许的范围内,则认为识别成功,若验证不通过则继续搜索匹配;
5).当搜索完待识别星的所有组合三角形,却依然无法找到验证成功的三角形时,则放弃该星的识别,回到第1步,选择实测星图中下一颗星进行识别;
6).若识别成功,则根据QUEST方法的姿态解算公式,计算出实测星图所对应的姿态。
本发明的优点在于通过自组织映射网络对恒星的分类,减少了三角形算法的搜索范围,从而提高了识别速度,减少了星表存储量,同时,自组织映射的应用增强了识别***的抗干扰性、提高了识别率。
附图说明
图1识别***的原理图。
图2为星表处理的过程图。
图3为构造恒星特征向量的示意图。
图4为自组织映射网络的训练过程图。
图5为星图识别的流程图。
具体实施方式
下面基于仿真平台恒星敏感器的工作原理,详细说明本发明的具体实施方式。星表预处理过程如图2所示,选择依巴谷星表作为基本星表,最大星等设为6.5等,此时星表包含8874颗恒星。除去星表中的变星及双星,将两颗星之间角距小于0.1角秒的恒星视为双星,去除双星中较暗的恒星,保留较亮星,此时星表中恒星剩下8674颗。
如图3所示,对处于圆心的星进行特征提取,构建10维的特性向量,以该星为圆心画同心圆,相邻圆之间的角距差为0.3角秒。10个同心圆将星邻近的区域分成了10个区间,将相邻圆区间内的邻近星进行数量统计,用统计数值来表示该区域的特征值,特征向量的维度与同心圆的数量保持一致。
选择自组织映射的神经网络方法对8674颗恒星进行分类,网络训练过程如图4所示,将10维的特征向量作为网络输入,选择分成100类,训练网络的迭代次数设为700,即循环输入8674颗星700次,训练结束时,恒星被较均匀的分在100类中,具有相似邻近星统计特征的恒星属于同一类。
如图3所示,在每颗星周围选择最亮的5颗星,与该星组成10个三角形,若不足5颗则选择所有邻近星,每个三角形包含三颗星的星编号以及三个角距值。把种类相同的星所形成的三角形信息存储在相同三角形库中,形成100个三角形信息库。
星图识别的具体实现方法如下:
1.如图5所示,在实测星图上挑选出待识别星,由于恒星越靠近视场中央时,其邻近星的分布越完整,所以选择靠近图像中心的恒星;
2.用同心圆的方式构建待识别星的10维特征向量,输入已训练好的自组织映射网络,网络输出100个数值,代表待识别星与100类恒星的相关度,数值越大表示相关度越高,选择相关度最大的类作为待识别星的种类。
3.基于实测星图,在待识别星周围选择最亮的5颗星,与待识别星组成10个三角形,若不足5颗则选择所有邻近星,按邻近星的亮度将三角形进行排序。根据待识别星所属的种类,在该类所对应的三角形库中,应用三角形算法,优先匹配星等亮度高的三角形。
4.当找到匹配三角形时,进行星图反演验证,如果理论星图中的恒星超过70%能在实测星图中找到,且坐标误差在10角秒内,则认为识别成功,若识别不通过则继续搜索匹配;
5.当一颗待识别星的所有组合三角形都无法满足验证条件时,则放弃该星,回到第1步,选择下一颗离图像中心较近的恒星进行识别,直到识别成功。
6.若识别成功,则根据姿态解算公式,计算出实测星图所对应的姿态。选择QUEST方法进行姿态解算。
Claims (3)
1.一种结合神经网络技术及三角形算法的星图识别方法,其特征在于方法如下:
对于筛选好的星库,根据每颗星的邻近星的分布特点,构造特征向量,采用自组织映射网络进行分类,并将每颗恒星与其邻近星所组合成的三角形信息存储在三角形库中,通过分类网络判断待识别星的类别,并在该类别对应的三角形库中应用三角形算法,找到星库中与之匹配的恒星;
星图识别包括如下步骤:
1).输入待识别星,采用相同的特征提取方法,生成待识别星的特征向量并输入已训练好的自组织映射网络,网络输出该星与所有类别的相关度,选择相关度最高的一类别代表该星进行后面的识别匹配;
2).将待识别星与其邻近最亮的n颗星进行组合,生成n×(n-1)/2个三角形,n选择3~10,按照邻近星的亮度由大到小对三角形进行排序;
3)根据待识别星所属的类别,在该类别所对应的三角形库中,应用三角形算法,依次匹配排好序的组合三角形;
4).当找到匹配三角形时,根据待识别星所匹配的恒星在星表中的信息,以及待识别星在实测星图中的坐标,生成星表中该星可形成的理论星图,验证理论星图与实测星图的差距,如果理论星图中的恒星大部分都能在实测星图中找到,且坐标误差在允许的范围内,则认为识别成功,若验证不通过则继续搜索匹配;
5).当搜索完待识别星的所有组合三角形,却依然无法找到验证成功的三角形时,则放弃该星的识别,回到第1)步,选择实测星图中下一颗星进行识别;
6).若识别成功,则根据QUEST方法的姿态解算公式,计算出实测星图所对应的姿态。
2.根据权利要求1所述的一种结合神经网络技术及三角形算法的星图识别方法,其特征在于:所采用的自组织映射网络,属于无监督学习算法的一种,恒星的特征向量作为网络的输入,特征向量的维度与输入神经元的个数保持一致,为5~15,输出神经元的个数与分类的总数相同,选择50~150。
3.根据权利要求1所述的一种结合神经网络技术及三角形算法的星图识别方法,其特征在于:所述的邻近星的角距选取范围与构建恒星的特征向量所选取的角距范围一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711000804.1A CN107941210B (zh) | 2017-10-24 | 2017-10-24 | 一种结合神经网络技术及三角形算法的星图识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711000804.1A CN107941210B (zh) | 2017-10-24 | 2017-10-24 | 一种结合神经网络技术及三角形算法的星图识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107941210A CN107941210A (zh) | 2018-04-20 |
CN107941210B true CN107941210B (zh) | 2020-11-24 |
Family
ID=61936371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711000804.1A Active CN107941210B (zh) | 2017-10-24 | 2017-10-24 | 一种结合神经网络技术及三角形算法的星图识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107941210B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111024063B (zh) * | 2019-12-23 | 2023-07-18 | 上海交通大学 | 一种基于星点重提取的大机动条件下星图识别算法 |
CN113566815B (zh) * | 2021-08-16 | 2022-07-01 | 北京航空航天大学 | 一种星图识别导航三角形库构建方法及装置 |
CN116091804B (zh) * | 2023-01-08 | 2023-07-25 | 中国人民解放军战略支援部队航天工程大学 | 一种基于相邻帧构型匹配的恒星抑制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659819B (zh) * | 2007-07-16 | 2011-08-31 | 北京航空航天大学 | 一种神经网络星图识别方法 |
CN103868510A (zh) * | 2014-03-27 | 2014-06-18 | 北京控制工程研究所 | 一种快速全天星图自主恒星识别方法 |
CN103954280A (zh) * | 2014-04-08 | 2014-07-30 | 北京控制工程研究所 | 一种快速和高鲁棒性自主恒星识别方法 |
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 |
-
2017
- 2017-10-24 CN CN201711000804.1A patent/CN107941210B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105659819B (zh) * | 2007-07-16 | 2011-08-31 | 北京航空航天大学 | 一种神经网络星图识别方法 |
CN103868510A (zh) * | 2014-03-27 | 2014-06-18 | 北京控制工程研究所 | 一种快速全天星图自主恒星识别方法 |
CN103954280A (zh) * | 2014-04-08 | 2014-07-30 | 北京控制工程研究所 | 一种快速和高鲁棒性自主恒星识别方法 |
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 |
Non-Patent Citations (2)
Title |
---|
三角剖分以及径向基函数神经网络在星图识别中的应用;张少迪等;《光学精密工程》;20120229;第20卷(第2期);第395-402页 * |
星图识别三角形算法综述;时圣革等;《光电技术应用》;20141031;第29卷(第5期);第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107941210A (zh) | 2018-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhi et al. | Toward real-time 3D object recognition: A lightweight volumetric CNN framework using multitask learning | |
JP6159489B2 (ja) | 顔認証方法およびシステム | |
WO2019179403A1 (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN110163258A (zh) | 一种基于语义属性注意力重分配机制的零样本学习方法及*** | |
Wenjing et al. | Research on areal feature matching algorithm based on spatial similarity | |
CN107941210B (zh) | 一种结合神经网络技术及三角形算法的星图识别方法 | |
Xu et al. | RPNet: A representation learning-based star identification algorithm | |
CN105844283A (zh) | 用于识别图像类目归属的方法、图像搜索方法及装置 | |
CN104392253B (zh) | 一种草图数据集的交互式类别标注方法 | |
Tüysüz et al. | Particle track reconstruction with quantum algorithms | |
CN112949647A (zh) | 三维场景描述方法、装置、电子设备和存储介质 | |
CN113204988A (zh) | 小样本视点估计 | |
Ghosh et al. | A novel approach to detect and classify fruits using ShuffleNet V2 | |
Yu et al. | Exemplar-based recursive instance segmentation with application to plant image analysis | |
Colliri et al. | A network-based high level data classification technique | |
KR102154425B1 (ko) | 인공지능 학습을 위한 유사데이터 생성 방법 및 장치 | |
CN117079132A (zh) | 基于高斯距离损失的遥感图像目标检测方法 | |
CN110490234A (zh) | 基于聚类分类联合机制的分类器的构建方法以及分类方法 | |
Henri et al. | A deep transfer learning model for the identification of bird songs: A case study for Mauritius | |
CN109323677A (zh) | 改进布谷鸟搜索算法的圆度误差评定算法 | |
CN114419294A (zh) | 一种曲面变分阈值的自适应确定方法 | |
Holliday et al. | Object recognition using L-system fractals | |
Haley et al. | Low level entity state sequence mapping to high level behavior via a DeepLSTM model | |
US7246100B2 (en) | Classifying an analog voltage in a control system using binary classification of time segments determined by voltage level | |
Pristyanto et al. | Comparison of ensemble models as solutions for imbalanced class classification of datasets |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |