一种基于表示学习的星图识别方法技术

技术编号:21886866 阅读:22 留言:0更新日期:2019-08-17 12:42
本发明专利技术公开了一种基于表示学习的星图识别方法,该方法利用端对端的、基于表述学习的神经网络模型RPNet,用于快速高效且鲁棒性强的全天星图识别任务。RPNet从海量随机仿真的星图样本里学习到每颗星独特的星模式R‑Pattern,随后再对这些星模式进行分类。RPNet主要分两部分组成:(1)基于星模式生成网络的星模式生成器,产生样本的特征星模式R‑Pattern。(2)对前端产生的特征星模式R‑Pattern进行分类的星模式分类器。本发明专利技术还提出了一种权重搜索验证算法,用于对RPNet网络识别出来的导航星主星进行筛选和验证,进一步大大提高了该算法对单幅星图的识别能力。

A Star Map Recognition Method Based on Representation Learning

【技术实现步骤摘要】
一种基于表示学习的星图识别方法
本专利技术涉及星图识别的
,具体涉及一种基于表示学习的星图识别方法。
技术介绍
导航系统的功能有定姿定位以及测速等,是飞行器不可或缺的重要组成部分之一。星敏感器是导航系统中的重要器件,它可以在没有先验知识的前提下确定飞行器的三轴姿态,而且定姿精度极高,因此被广泛运用于各类飞行器如飞机、火箭和卫星当中。星敏感器有两种工作模式:初始姿态捕获模式和跟踪模式。大部分时间星敏感器工作在跟踪模式下,一旦姿态丢失,星敏感器需要进行全天星图识别来获取当前飞行器姿态。星图识别算法致力于寻找观测星以及星库中星的关系,算法主要分为两大范畴:子图同构类算法和模式匹配类算法。子图同构类算法借鉴了图理论的相关知识:星点被认为是图的顶点,星间角距被认为是两颗星之间的边的权重。星库中的星可以建立一副完全图,而观测到的星则对应一幅子图。因此识别问题可以归约为在完全图中寻找最佳匹配的子图。三角形算法是最为经典且广泛使用的子图同构类算法,该算法利用三颗星与它们彼此之间的角距构成三角形特征,算法虽然在星数目较少甚至只有三颗星的情况下也能取得较好的识别效果,但是由于从星表创建的三角形特征数目过于庞大,因此搜索和匹配相当耗时,算法效率低下。模式类星图识别算法对于每一颗导航星都创建一个独特的模式,主星的模式往往包含着其邻星的信息。对于模式的识别过程就是在预先创建的所有模式中搜索匹配最相近的模式的过程。最具有代表性的模式类算法是由Padgett提出的栅格算法,该算法对位置噪声有着良好的抵抗力,但是一旦确定栅格方向的最近邻星缺失或被误识别,整个创建的模式将完全错误。伴随着人工智能的热潮,神经网络和一些更为高级的算法如遗传算法等被引入星图识别算法中,但由于这些方法并没有构建出足够鲁棒的模式,且算法与网络结构复杂,因此识别率和识别时间都不尽人意。因此,本专利技术提出了一种结构简单但高效、基于表示学习的星图识别网络RPNet,RPNet利用一个星模式生成器来生成导航星的星模式,然后利用一个星模式识别器来进行识别,最后利用权重搜索策略来提高识别率。通过从海量数据中学习产生的星模式,对于位置噪声、星等噪声以及假星等都有良好的鲁棒性。在平均性能上,RPNet超过了上述模式类和人工智能类算法。同时,在时间复杂度上本算法也远低于其他搜索匹配类算法,在真实星图上的表现也相当优异。
技术实现思路
本专利技术提出的一种基于表示学习的星图识别方法,主要是解决以下几部分问题:(1)针对位置噪声和星等噪声等,传统的星图识别算法普遍存在识别时间长且识别率不高,鲁棒性差等特点。(2)传统的星图识别算法无法同时满足高精度和高效率的要求,三角形算法识别率高但是识别时间长,栅格算法识别速度快但是识别率不尽人意。(3)传统的算法对于假星和缺失星的鲁棒性比较差,无法应对这些复杂的噪声情况。(4)传统的算法没法利用FPGA的并行性,因此姿态更新率受到限制。本专利技术采用的技术方案为:一种基于表示学习的星图识别方法,该方法包括如下步骤:步骤(1)对原始星库进行筛选,得到可供RPNet网络识别的导航星;步骤(2)根据导航星及其邻星的分布特点,构建网络的初始输入;步骤(3)构建端对端的、基于表述学习的神经网络模型RPNet,用于快速高效且鲁棒性强的全天星图识别任务,其中RPNet从海量随机仿真的星图样本里学习到每颗星独特的星模式R-Pattern,随后再对这些星模式进行分类,RPNet主要分两部分组成:1)基于星模式生成网络的星模式生成器,产生样本的特征星模式R-Pattern;2)对前端产生的特征星模式R-Pattern进行分类的星模式分类器;步骤(4)利用权重搜索验证算法对RPNet网络识别出来的导航星主星进行筛选和验证;步骤(5)输入实际星图,输出识别结果。其中,构建RPNet网络输入的方法,是依据导航星与邻星以及导航星邻星之间的分布关系,选取m颗模式半径内离导航星最近的邻星,分别计算导航星与这m颗邻星的角距和m颗邻星之间的两两角距,拼接成表示导航星初始输入特征的一维向量,再经过离散化处理,作为RPNet的初始输入。其中,星图识别网络RPNet,是由模式生成器和模式分类器组成,模式生成器由模式生成网络的编码部分构成,模式分类器由典型的前向传播神经网络组成,模式生成网络由去噪自编码器改进得到,三点改进分别为:(1)模式生成网络采用了了一种新的加噪方式,相比于传统的去噪自编码器在离散化后的输入上添加噪声,我们选择在原始仿真星图上添加噪声,进而构建离散化的噪声输入;(2)模式生成网络在传统编码器解码器仅有一层全连接层的结构上,再添加一层全连接层,形成了了两层的编码——解码结构;(3)模式生成网络采用稀疏编码的原则,将输入映射到高维特征空间,而非传统去噪自编码器对输入的降维处理。其中,对于模式生成网络和模式分类网络分为两阶段进行。在训练好模式生成网络后,在根据其生成的模式和模式样本标签,训练模式分类网络。其中,权重验证方法,是结合RPNet输出概率以及主星离图像中心距离远近不同的特点,对于每一幅星图,选取三颗离像面中心最近的主星构成RPNet的初始输入进行识别,对于选取的每一颗主星,RPNet输出其可能属于nSAO星库中每颗星的概率,选取三颗概率最大的星作为该导航星的候选星,分别赋予每颗候选星位置权重和概率权重,计算在视场范围内的候选星对,通过选取权重得分最大的候选星对,筛选出置信率较高的导航星,从而整体提升了星图识别的准确率。本专利技术与现有技术相比,其优点和有益效果是:(1)对于星点的微小形变以及偏移非常鲁棒,而且星等噪声基本不影响其识别率。(2)算法理论上的运行速度很快,其时间复杂度仅为O(1),而空间复杂度也不多于其他算法。(3)网络结构简单,在PC上训练完成后,容易迁移到嵌入式平台如FPGA或DSP上实现。附图说明图1为本专利技术一种基于表示学习的星图识别方法原理框图。图2为RPNet原始输入的构建方式,其中,图2(a)为在以(αs,βs,φs)为视轴指向下星敏感器观测到的S及其邻星,图2(b)为将S和其邻星投影到相面坐标系上,图2(c)为计算S和选定的m颗星的角距以及m颗星之间两两的角距,图2(d)为离散化示意图(其中为方便描述,选取的参数为ρ=6°,e=0.5°,m=4)。图3为RPNet网络结构。图4为对关于S的仿真星图添加各种噪声,其中,图4(a)为向仿真星图添加位置噪声。图4(b)为向仿真星图添加星等噪声,图4(c)为向仿真星图添加缺失星噪声,图4(d)为向仿真星图添加假星噪声。图5为RPNet训练框图。图6为星模式生成网络结构及训练方式。图7为权重搜索算法示意图。图8为一幅真实星图的识别结果。图9为本专利技术一种基于表示学习的星图识别方法对于不同位置噪声的识别率。图10为本专利技术一种基于表示学习的星图识别方法对于不同星等噪声的识别率。图11为本专利技术一种基于表示学习的星图识别方法对于不同假星占比的识别率。图12为本专利技术一种基于表示学习的星图识别方法对于不同缺失星的表现。具体实施方式下面结合附图以及具体实施方式进一步说明本专利技术。本专利技术提出了一种端对端的、基于表述学习的神经网络模型RPNet,用于快速高效且鲁棒性强的全天星图识别任务。RPNet从海量随机仿真的星图样本本文档来自技高网
...

【技术保护点】
1.一种基于表示学习的星图识别方法,其特征在于:该方法包括如下步骤:步骤(1)对原始星库进行筛选,得到可供RPNet网络识别的导航星;步骤(2)根据导航星及其邻星的分布特点,构建网络的初始输入;步骤(3)构建端对端的、基于表述学习的神经网络模型RPNet,用于快速高效且鲁棒性强的全天星图识别任务,其中RPNet从海量随机仿真的星图样本里学习到每颗星独特的星模式R‑Pattern,随后再对这些星模式进行分类,RPNet主要分两部分组成:1)基于星模式生成网络的星模式生成器,产生样本的特征星模式R‑Pattern;2)对前端产生的特征星模式R‑Pattern进行分类的星模式分类器;步骤(4)利用权重搜索验证算法对RPNet网络识别出来的导航星主星进行筛选和验证;步骤(5)输入实际星图,输出识别结果。

【技术特征摘要】
1.一种基于表示学习的星图识别方法,其特征在于:该方法包括如下步骤:步骤(1)对原始星库进行筛选,得到可供RPNet网络识别的导航星;步骤(2)根据导航星及其邻星的分布特点,构建网络的初始输入;步骤(3)构建端对端的、基于表述学习的神经网络模型RPNet,用于快速高效且鲁棒性强的全天星图识别任务,其中RPNet从海量随机仿真的星图样本里学习到每颗星独特的星模式R-Pattern,随后再对这些星模式进行分类,RPNet主要分两部分组成:1)基于星模式生成网络的星模式生成器,产生样本的特征星模式R-Pattern;2)对前端产生的特征星模式R-Pattern进行分类的星模式分类器;步骤(4)利用权重搜索验证算法对RPNet网络识别出来的导航星主星进行筛选和验证;步骤(5)输入实际星图,输出识别结果。2.根据权利要求1所述的基于表示学习的星图识别方法,其特征在于:构建RPNet网络输入的方法,是依据导航星与邻星以及导航星邻星之间的分布关系,选取m颗模式半径内离导航星最近的邻星,分别计算导航星与这m颗邻星的角距和m颗邻星之间的两两角距,拼接成表示导航星初始输入特征的一维向量,再经过离散化处理,作为RPNet的初始输入。3.根据权利要求1所述的基于表示学习的星图识别方法,其特征在于:星图识别网络RPNet,是由模式生成器和模式分类器组成,模式生成器由模式...

【专利技术属性】
技术研发人员:江洁徐立凯
申请(专利权)人:北京航空航天大学
类型:发明
国别省市:北京,11

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1