一种基于一维卷积神经网络的星图识别方法及系统技术方案

本发明专利技术公开了一种基于一维卷积神经网络的星图识别方法及系统，其中涉及的识别方法，包括：S1.对原始星表进行筛选，得到导航星表；S2.预先设定星敏感器对准导航星，使导航星位于图像中心，计算导航星的所有邻星到导航星的距离，并计算邻星到导航星的连线与x轴的夹角，得到所有邻星与导航星的距离以及所有邻星到导航星的连线相对于x轴的角度；S3.根据得到的距离和角度，计算邻星的极坐标，并将极坐标转换为一维特征序列；S4.对特征序列添加噪声并进行扩充，得到星图的训练集；S5.构建一维卷积神经网络，并将得到的训练集输入一维卷积神经网络中进行训练，生成星图识别模型；S6.将待识别的星图输入至生成的星图识别模型中，星图识别模型输出识别结果。别模型输出识别结果。别模型输出识别结果。

【技术实现步骤摘要】
一种基于一维卷积神经网络的星图识别方法及系统


[0001]本专利技术涉及天文导航的
，尤其涉及一种基于一维卷积神经网络的星图识别方法及系统。

技术介绍

[0002]星敏感器是一种利用恒星位置来确定卫星姿态的高精度敏感器。星敏感器的工作原理是利用相机拍摄星空图像，经过图像预处理，星点提取，星图识别，姿态解算等步骤获得星敏感器坐标系与惯性系的转换矩阵，进而确定航天器相对于惯性系的姿态。当星敏感器没有先验姿态信息时，星敏感器工作在lost in space模式下，此时星敏感器需要对图像中的星点在全天区进行识别，一旦获得初始的姿态，星敏感器便可以跟踪模式工作，此时星敏感器可以利用先验姿态信息对当前观测星进行跟踪识别。与跟踪模式相比，LIS模式下的星图识别算法更易受到伪星和噪声的干扰。现有的星识别算法大致可分为类，子图同构类算法和模式识别类算法。
[0003]在第一类算法中，视场类的星图可视为全天区星图的子图，星点即图的顶点，邻星之间的角距即为相应顶点的边。它们以星对间的角距、三角形、四边形等作为特征进行匹配。例如三角形算法，金字塔形算法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于一维卷积神经网络的星图识别方法，其特征在于，包括：S1.对原始星表进行筛选，得到导航星表；S2.预先设定星敏感器对准导航星，使导航星位于图像中心，计算导航星的所有邻星到导航星的距离，并计算邻星到导航星的连线与x轴的夹角，得到所有邻星与导航星的距离以及所有邻星到导航星的连线相对于x轴的角度；S3.根据得到的距离和角度，计算邻星的极坐标，并将极坐标转换为一维特征序列；S4.对特征序列添加噪声并进行扩充，得到星图的训练集；S5.构建一维卷积神经网络，并将得到的训练集输入一维卷积神经网络中进行训练，生成星图识别模型；S6.将待识别的星图输入至生成的星图识别模型中，星图识别模型输出识别结果。2.根据权利要求1所述的一种基于一维卷积神经网络的星图识别方法，其特征在于，所述步骤S1中对原始星表进行筛选具体为：通过星敏感器从原始星表中筛选出恒星，并剔除恒星中的双星与变星。3.根据权利要求1所述的一种基于一维卷积神经网络的星图识别方法，其特征在于，所述步骤S2中计算导航星的所有邻星到导航星的距离，表示为：其中，r
i
表示导航星的所有邻星到导航星的距离；x
i
，y
i
表示邻星的坐标。4.根据权利要求3所述的一种基于一维卷积神经网络的星图识别方法，其特征在于，所述步骤S2中计算邻星到导航星的连线与x轴的夹角，表示为：θ
i
＝arctan(y
i
/x
i
)其中，θ
i
表示邻星到导航星的连线与x轴的夹角。5.根据权利要求1所述的一种基于一维卷积神经网络的星图识别方法，其特征在于，所述步骤S3中计算邻星的极坐标，将极坐标转换为一维特征序列，表示为：P
s
(n)＝r
i
其中，P
s
(n)表示一维特征序列；n表示特征序列元素序号；N
s
表示向量长度。6.根据权利要求1所述的一种基于4E00维卷积神经网络的星图识别方法，其特征在于，所述步骤S4具体包括：S41.对一维特征序列中的幅值添加
‑
5像素至5像素的随机位置偏差；S42.对一维特征序列中的焦距f添加
‑
2mm...

【专利技术属性】
技术研发人员：崔彦彬，粟春兵，
申请(专利权)人：浙江众星志连科技有限责任公司，
类型：发明
国别省市：