[发明专利]一种基于蜘蛛网模式和卷积神经网络的星图识别方法

权利要求书

1.一种基于蜘蛛网模式和卷积神经网络的星图识别方法，其特征在于：该识别方法步骤如下：

步骤一、构建一种蜘蛛网模式星图，其构造如下：

a)确定主星及模式半径，该主星的模式由模式半径所确定的邻域内的伴星所构成；

b)将主星进行平移，使主星位于视场中央位置；

c)依次将伴星与主星用彩色线段连接，并计算相邻伴星间的角距；

d)为增加不同主星的模式的区分度以及星图内信息，将相邻的伴星根据角距的大小用不同颜色的线段连接，主星与相邻的伴星的连线构成不同形状的蜘蛛网模式星图；

步骤二、构建蜘蛛网模式星图的训练集和测试集，其构造如下：

训练集的构造：采用星表作为建立导航基准星点特征数据库的数据基础，选取亮度大于6Mv的星作为导航星，选取4°~12°的模式半径，除去视场中只有一颗星和两颗星的情况，再每隔0°~60°将星图旋转一次，每个角度的星图随机加入5~20次、每次1~2个假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的训练集；

测试集的构造：因为星点的相对位置固定不变，主要的变换在于旋转和假星，为检测不同旋转角度下模型的识别精度，将导航星的星图每隔与训练集中的角度不同的任意角度旋转一次，每个角度的星图随机加入3~10次，每次1~2个假星，按照步骤一的方法构造蜘蛛网模式星图，构成蜘蛛网模式星图的测试集；

步骤三、构建一种适用于蜘蛛网模式的卷积神经网络模型，其构造如下：

根据步骤二中的训练集和测试集，构建一种适用于蜘蛛网模式的卷积神经网络模型，即蜘蛛网模型，蜘蛛网模型的前六层为卷积层与池化层交错而成，第七层和第八层为全连接层，最后一层为输出层，在卷积层中加入了batch normalization以加快训练速度，每个卷积层加入激活函数，并在全连接层中用了dropout减少了模型的过拟合，并利用步骤二中的训练集和测试集训练蜘蛛网模型，得到该模型内部的参数；

步骤四、将需要识别的星图中待识别的主星按照步骤一中的蜘蛛网模式构造星图，再将构造好的蜘蛛网模式星图利用步骤三中训练好的蜘蛛网模型进行识别，识别主星成功后，再利用角距信息识别出蜘蛛网模式星图中的伴星。