一种基于模糊神经网络的星图识别方法

技术领域

本发明属于天文导航技术领域，涉及一种基于模糊神经网络的星图识别方法。

背景技术

随着航天技术的不断发展，航天器的姿态测量精度也在不断提升。星敏感器是一种以恒星为参考对象的姿态测量器件,具有体积小、功耗低、精度高以及导航误差不随时间积累等优点,广泛应用于天文导航技术领域中。星图识别算法是星敏感器的核心技术之一，通过将星敏感器视场中观测星与导航星库中的参考星进行匹配，以得到观测星在天球坐标系中的位置，直接影响着星敏感器姿态测量的准确性。目前的星图识别算法主要分为两类：子图同构类算法和模式识别类算法。

子图同构类算法以星图中的星点为顶点，邻近星对的角距为边，构造不同的特征图形存储在导航特征库中，识别时通过检索导航特征库，寻找与星图中最相似的特征图形作为匹配结果。这类算法结构简单，易于实现，对星图中观测星的数目要求较低，其典型代表三角形算法是目前最成熟、应用最为广泛的星图识别方法。但由于特征维度低，这类算法导航特征库容量较大，识别时间较长，容易出现冗余匹配和误匹配问题。

模式识别类算法利用每颗导航星一定邻域范围内的星点位置分布，构造唯一的特征模式，通过在导航模式数据库中寻找与观测模式最为接近的导航模式进行匹配识别，典型代表为栅格算法。这类算法对星敏感器视场内星点数目要求较高，应用范围受限，且观测模式的建立依赖于基准星的选取，基准星的错误选择会导致匹配失败。

基于神经网络的星图识别算法是近年来广受关注的一类识别方法，导航星的特征体现为神经网络隐层间的权值矩阵，这样的并行结构取代了对模式数据库进行多次迭代匹配，有效提高了星图识别速度。但另一方面，神经网络结构复杂，星图识别率依赖于训练集的选取，在视场内星点缺失或存在伪星的情况下，识别算法的鲁棒性有待进一步提高。

发明内容

本发明的目的是：针对现有星图识别算法的不足，结合子图同构类算法和神经网络，提出一种基于模糊神经网络的星图识别方法。该方法具有较高的识别率和较快的识别速度，一定程度上解决了星点缺失及星点提取不准确的问题，对星点位置噪声具有良好的鲁棒性。

为实现上述目的，本发明采用的技术方案是：一种基于模糊神经网络的星图识别方法，该方法包括如下步骤：

步骤1：建立均衡化的导航星库；

步骤2：构造基于最小生成树的特征向量；依次将导航星库中的每颗星作为主星，在其邻域范围内选择3颗辅星，构造特征子图，根据特征子图的邻接矩阵生成特征向量存储在特征数据库中；

步骤3：构造训练集；对特征数据库中的特征向量添加不同的随机噪声，扩充特征向量个数，得到训练集；

步骤4：构造和训练模糊神经网络；构造模糊神经网络，将步骤3生成的训练集以随机顺序输入模糊神经网络中进行训练，生成星图识别模型；

步骤5：进行星图识别；将星敏感器拍摄得到的星图经过星点提取，获得星点位置，将最靠近视场中心的星点作为主星，构造导航星的特征向量，输入训练好的模糊神经网络进行识别。

进一步，所述建立导航星库：选择Tycho-2星表作为原始星表，首先根据星敏感器所能观测到的最大星等，删除星表中星等大于6.0的恒星、变星以及双星中星等较大的恒星。然后，根据蒙特卡罗方法随机生成10000个视场，将每个视场范围内的恒星按星等大小升序排列，对排名前5的导航星进行投票。投票完成后，删去最终得票数为0的恒星。最后，对剩下的导航星进行重新编号作为星号。导航星库由筛选后的导航星的星号、星等、赤经和赤纬信息组成。

进一步，所述构造基于最小生成树的特征向量：首先，遍历导航星库，依次将每颗导航星作为主星S

θ

其中，i＝1，2，…，n,n为主星周围的邻星数量，α

然后，将角距位于(θ

进一步，所述构造训练集：通过向原始特征向量中加入均匀分布的随机噪声，噪声强度为特征向量最大分量的5％，每个特征向量生成100个扩充的训练样本。

进一步，所述构造模糊神经网络：本发明所构造的模糊神经网络有6层：第一层是输入层，直接与待识别主星特征向量的分量x

其中，c

进一步，所述训练模糊神经网络：将步骤3生成的训练集中的特征向量进行随机排序，依次输入模糊神经网络，并以对应主星星号的二进制编码为输出，进行训练。

进一步，所述进行星图识别：首先，对星敏感器拍摄得到的星图进行星点提取，计算各星到星图中心的距离，选择距离最小的观测星作为主星。然后，计算星图中各观测星在星敏感器坐标系下的方向矢量r

其中，(u

其中，m

与现有技术相比，本发明具有如下特点：

(1)训练完成后，本发明星图识别速度快，识别准确率高。

(2)本发明结合子图同构类算法，利用了特征子图中星点的全部相对位置信息，识别结果具有较好的可靠性。

(3)本发明对星点位置噪声、星等噪声、星点缺失以及伪星具有较好的鲁棒性。

(4)算法对星图中星点数目要求较低，扩大了星敏感器的适用范围。

附图说明

图1为本发明星图识别方法流程图。

图2为基于蒙特卡罗投票筛选后的导航星分布

图3为构造观测星特征向量的示意图。

图4为模糊神经网络结构图。

具体实施方式

下面结合附图对本发明作进一步详细说明。

结合图1，本发明星图识别方法的具体步骤包括：

1.建立导航星库。本发明选择Tycho-2星表作为原始星表，首先根据星敏感器所能观测到的最大星等，删除星表中星等大于6.0的恒星、变星以及双星中星等较大的恒星。然后，根据蒙特卡罗方法随机生成10000个视场，将每个视场范围内的恒星按星等大小升序排列，对排名前5的导航星进行投票。投票完成后，删去最终得票数为0的恒星。最后，对剩下的3569颗导航星(如图2所示)进行重新编号。导航星库由筛选后的导航星的星号、星等、赤经和赤纬信息组成。

2.构造基于最小生成树的特征向量。首先，遍历导航星库，依次将每颗导航星作为主星S

θ

其中，i＝1，2，…，n,n为主星周围的邻星数量，α

然后，将角距位于(θ

3.构造训练集。通过向原始特征向量中加入均匀分布的随机噪声，噪声强度为特征向量最大分量的5％，每个特征向量生成25个训练样本。

4.构造和训练模糊神经网络。如图4所示，用于星图识别的模糊神经网络有6层：第一层是输入层，直接与待识别主星特征向量的分量x

其中，c

5.进行星图识别。首先，对星敏感器拍摄得到的星图进行星点提取，计算各星到星图中心的距离，选择距离最小的观测星作为主星。然后，计算星图中各观测星在星敏感器坐标系下的方向矢量r

其中，(u

其中，m

综上所述，与传统方法相比，本发明提出的基于模糊神经网络的星图识别具有如下优势：

1.利用蒙特卡罗方法投票筛选出在天球上均匀分布的导航星，在保证视场中最小可识别导航星数量的同时剔除了构成特征子图可能性较小的暗星，有效减少了导航星库的存储容量；

2.根据最小生成树算法生成星图所对应的特征模式，原理简单、易于实现，且生成的导航星特征模式具有唯一性，提高了匹配的成功率；

3.利用模糊规则进行网络学习和调整，具有较高的识别准确率和较快的识别速度，对星点位置噪声、星点缺失以及伪星具有较好的鲁棒性。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。