[发明专利]一种结合神经网络技术及三角形算法的星图识别方法

说明书

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。

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，基于识别系统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系统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；