一种快速全天自主星图识别算法

三角形算法是目前实际工程上星敏感器广泛应用的星图识别算法,为了克服三角形识别算法中三角形因特征维数较低带来的冗余匹配问题,对该算法进行了改进。提出一种基于Stellarium软件实时生成模拟星图的方法,建立了星图识别算法仿真计算模型。仿真试验结果表明：利用Stellarium软件能够对星敏感器各种运行场景下的星图进行模拟,模拟要素完整、正确,在测试星图识别算法过程中能够满足星敏感器高精度实时仿真测试要求,为设备的调试、性能评估以及地面试验奠定基础。对全面测试星敏感器的软、硬件性能,及对星敏感器进行精确标定具有重要意义。     

星图识别的一种扩充栅格算法

栅格算法作为一种鲁棒性好、识别率高的星图识别算法,要求星图中不少于6颗星才能进行正常的识别,限制了其在小视场或低星等敏感极限的星敏感器中的应用.针对这种情况,提出了星图识别的扩充栅格算法,该算法将扩充星图法与栅格算法结合,将视场进行有效地扩充,得到了更加丰富的星点信息,同时继承了栅格算法的优势,拥有比现有扩充星图法更强的噪声鲁棒性和更高的识别成功率.依据实际情况建立了仿真环境,并进行了大量实验,验证了算法的实时性和高识别率性能.结果表明:当应用于小视场星敏感器时,扩充栅格算法在位置噪声为1像素时的星图识别成功率大于97.4%,明显优于传统的扩充星图算法,同时其近邻星的识别成功率最高可达到86.7%,也明显优于传统栅格算法.扩充栅格算法更加适用于小视场或低星等敏感极限的星敏感器.     

基于星图识别算法的空间小目标识别

基于星形星图识别算法,利用星对距离和星对角距2个特征进行匹配识别,实现了快速识别空间小目标的目的,并可对该目标实时追踪。Matlab仿真表明,该算法识别过程简单,对星图噪声和伪星具有较好的抵抗力,具有识别率高且稳定、识别速度快的优点。     

一种Chirplet神经网络自动目标识别算法

针对飞机目标的自动识别问题,提出一种联合特征提取与分类的Chirplet神经网络方法,实现一维高分辨率距离像的识别。Chirplet神经网络将Chirplet原子变换用于多层前馈神经网络结构的输入层,替换传统的激励函数对距离像序列进行特征提取;网络的分类部分由隐层和输出层组成。在训练过程中调整神经网络权值的同时,完成对Chirplet原子时频参数的自动调整,协调优化特征参数和分类器参数,使Chirplet神经网络同时实现特征提取和目标分类。对4类飞机目标的仿真测试结果表明,相比时频变换和Gabor原子网络等方法,具有四特征参数的Chirplet神经网络方法具有较高的识别率和抗噪性能。     

基于等面积圆环和伴星夹角的星图识别算法

针对于传统径向和环向特征星图识别算法在构建径向特征过程中伴星分布不均匀以及采用环向特征匹配过程中特征值不稳定的问题,提出了一种等面积圆环划分和伴星矢量夹角相结合的星图识别算法。通过选取动态半径使得径向特征下的圆环面积相等,保证伴星落在每个圆环的概率相等,有效提高了径向匹配过程的识别率。对于径向匹配后冗余的导航星,采用伴星组成的矢量夹角特征进行筛选,选定匹配特征值最高的为最终识别结果。仿真模拟结果表明：当添加位置噪声为1像素时,星图识别成功率达到95%;当伪星数目为2颗时,识别率达到98%。相较于传统径向和环向识别算法,本文方法在识别率和识别速度上具有明显优势。     

用字符匹配进行星图识别的导航库存储方法

采用星敏感器测航天器姿态是现行方法中精度最高的,其关键是星图识别．对基于KMP星敏感器星图识别算法进行了改进,对天球中每个区域用1表示该处有星0表示该处非星,得到由0和1组成的原始字符串,用一个整数和额外一位0表示某处连续0的个数,用11来表示一个字符1,把它们存储到导航星库中相应位置．然后采用逻辑运算来进行星图匹配．仿真结果表明本文算法不但继承了原算法的优点,而且减少了导航星库的容量．     

基于局部熵的星敏感器星图提取方法

提出了一种新的星图图像提取方法,根据星图图像局部熵的变化,得到恒星在星敏感器中成像的目标区域,然后利用求质心的方法,得到亚像素的恒星位置,给出了图像局部熵的快速计算方法,图像的局部熵具有平滑滤波作用,并且能消除背景照度不均匀产生的灰度起伏现象,仿真实验结果表明,这种方法适合干含有系统噪声和随机噪声的点目标图像提取;在最大随机噪声〈5％的情况下,利用这种方法提取的质心位置的误差〈1／20。     

基于神经网络的表面粗糙度识别算法

提出了一种新的表面粗糙度识别算法,该算法利用从标准样块上通过采样得到的数学光强度分布数据,把表征光强分布的数据和样块的标乐值分别作为神经网络的输入和输出,采用改进的Ｂ 法对神经网络进行训练,训练后,把某一工件的散射光强度分布数据输入给神经网络,则网络的输出就是该样块的表面粗糙度数值,该算法充分利用神经网络的泛化能力和学习能力,可正确识别Ｒａ在０．８μｍ以下的被测表面,并可避免误识别。     

基于多任务和卷积神经网络的业务识别算法

针对以低识别率对业务进行较高精度分类问题,提出了一种结合多任务学习和卷积神经网络(Multi-Task Learning and Convolutional Neural network,MTL-CNN)的网络业务识别算法,将业务分类重新构建为多任务学习框架,令业务类别作为主任务,带宽需求和持续时间作为辅助任务,3个任...     

基于BP神经网络的汽车牌照识别

提出了一种用BP神经网络实现车牌文字识别的方法。因车牌上文字仅是黑体印刷字体，在特征提取时采用了Fourier投影-变换系数法求得其特征矢量；车牌文字分布具有规律性，采用并行算法对BP网络分类器进行了处理；引入动态因子，动态调整BP算法的学习步长。实践证明，利用BP神经网络可有效识别车牌，且速度快，识别率高，具有较高的实用价值。     

基于神经网络聚类的研究

提出了一种基于Kohonen网络的改进聚类算法,并给出了基于数据仓库平台的具体实现方案。通过对实例的聚类测试,对算法本身的若干指标进行了研究分析。     

基于优化神经网络的小麦品种分类研究

为提高基于图像处理的小麦品种识别的准确率,首先选取L8998、内乡188、9023、优展1号、豫麦47、周麦12等6个品种作为研究对象,对采集到的小麦颗粒图像进行中值滤波后采用迭代式阈值法分割图像,提取出颜色、形态和纹理3方面共16个特征,然后通过构建神经网络研究了小麦品种的识别准确率与品种数量之间的关系.最后,为避免网络因达到局部最优而停止训练,利用MIV算法计算了各输入特征参数对分类结果的平均影响值,进而使用遗传算法对网络结构进行了优化.结果表明,随着小麦品种的增加,分类的准确率逐步下降,当待识别的小麦种类增加到6类时,优化后的神经网络的样本识别准确率从81.3％增加至85.6％,有效提高了小麦品种分类的准确性.     

基于神经网络的PID控制

论文讨论了基于神经网络理论的PID控制,并将其应用到了直流调速系统的仿真中,仿真结果表明它具有良好的鲁棒性。     

自组织特征映射神经网络在岩性识别中的应用

传统的岩性识别技术主要基于统计学理论,如贝叶斯方法、回归方法等,近年来人工神经网络方法如反向传播算法（ Ｂａｃｋ － Ｐｒｏｐａｇａｔｉｏｎ , Ｂ－ Ｐ） 也应用于岩性识别,取得了一定的效果。用 Ｋｏｈｏｎｅｎ 提出的自组织特征映射神经网络对测井数据进行岩性识别,该方法具有较强的自组织性、自适应性,有较高的容错能力。与 Ｂ－ Ｐ 算法相比较,计算量小,收效速度快,且不需要已知的先验信息而自动确定分类类别。结果表明与统计方法、岩性录井分析结果一致。     

基于人工神经网络的气体定性分析方法

提出将气体传感器阵列与交馈神经模式识别技术相结合,解决气体传感器的“交叉敏”问题,从而完成气体的定性、定量分析;针对常规ＢＰ算法的缺点,构造了基于自适应调整步长和加动量因子的改进ＢＰ算法用于前馈神经网络的训练;通过实验对Ｈ２、ＣＨ４、ＣＯ等三种气体进行了识别,结果表明利用气体传感器阵列和前馈神经网络进行气体定性分析是可行的。     

多层前馈神经网络中改进BP算法的研究

首先给出了多层前馈神经网络中的ＢＰ算法,针对实时监测和诊断领域中对收敛速度和精度的较高要求,提出了一种面向诊断的自适应ＢＰ算法,仿真结果表明,该方法既能有效地减小振荡,又能提高收敛的精度和速度。     

基于神经网络的迭代控制研究

利用迭代学习控制过程记忆的期望控制ud(t)、期望轨迹yd(t)以及跟踪误差ek 1(t),提出了用迭代学习控制理论进行系统控制律设计的方法,并基于神经网络的拟合算法拟合出控制系统PID控制器的参数,实现了对系统的迭代学习控制.研究表明,这种方法实现的PID控制器结构简单,作用于系统可获得较佳的动态特性和较强的鲁棒性.仿真实例表明了这种方法具有很好的可行性和实用性.     

基于DCT和神经网络的视频版权保护算法

针对目前数字水印技术对视频版权保护和抵抗攻击时存在的一系列问题,提出了基于DCT、数字水印、神经网络和数据加密等技术的有效算法．该算法首先将原始水印信息采用Arnold变换进行置乱处理,然后运用神经网络将水印嵌入到宿主视频中,提取时利用确定的神经网络实现水印的盲提取．实验结果表明,该算法具有较好的不可见性和鲁棒性．     

仓储物害虫声音识别研究中的Madaline神经网降噪

提出了基于声音模式识别技术的仓储物害虫计算机自动分类的新方法 .在声音信号的预处理中采用Madaline(两层Adaline)神经网降噪方法 ,该方法以其自适应抵消器抵消环境噪声 ,较完整的保留仓虫声音信号 ,从而为仓虫声音特征的提取及分类打下了良好的基础