一种星辐射模式下全天区星图识别算法及FPGA实现

针对在DSP中实现全天区星图识别算法耗时长导致实时性差,提出并实现了一种基于FPGA的星辐射模式下的全天区星图识别算法。该方法利用FPGA并行性、高主频等特性,在保证算法高精度、高准确度的前提下,解决了全天区星图识别耗时长的问题。首先,根据星点信息构建星辐射模式；其次,基于FPGA实现了星辐射模式下对应特征向量的计算；最后,提出了一种可预读、流水化的星辐射模式匹配算法,极大地缩短了星辐射模式匹配的时间。在Xilinx公司的Xc7a75tfgg484-2平台上进行实验验证,结果表明,在相同时钟主频下,基于FPGA的星图识别算法速度比基于DSP的算法速度快10.95倍以上,而且在使用三组特征向量同时进行匹配时,识别率超过99%。     

基于恒星识别的微型航天器自主导航技术研究

在分析了现代星敏感器的姿态测量精度影响因素的基础上,针对软件程序中最为费时的两个过程:星图获取和星图识别进行了研究.分别提出了高效可靠的星图获取新策略,即将基于小面模型和极值理论的最大极值点的估计算法和基于单一特征值的检索的新三角形星图识别算法.新的星图提取技术易于硬件实现,适应性强,效率高.而新的星图识别技术则能与矢量技术结合进一步改进效率.它们对提高航天器自主导航系统的性能有重要的意义.     

基于变异系数优选算法的精细导星星库构建

精细导星星库是支撑未来大口径空间望远镜观测的必要组成部分,是用来确定空间望远镜视轴绝对指向的关键依据.导星星库的容量和星库的均匀性对于实现精细导星功能和性能指标都极为重要.为了有效提高星图识别性能,提出基于变异系数的优选筛星算法进行导星筛选并构建星库.经过仿真和均匀性评价准则验证,基于变异系数优选算法构建的精细导星星库分布均匀性好,能降低冗余度,有效提高识别概率.     

基于星敏感器的星图模拟与去噪技术研究

随着小卫星应用技术的日趋成熟,测量精度高的CCD星敏感器备受青睐,快速而可靠的星图识别算法成为卫星姿态确定系统中最为关键的部分.要进行恒星的识别,就需要从星敏感器获得原始的图像,并从中提取要识别的目标及其特征.由于航天实验费用昂贵,星敏感器的地面调试、软件算法的最初模拟,不可能都进行实时星空拍摄,因此为了调试和评价星图识别算法,有必要利用计算机在地面上模拟生成星敏感器实时拍摄到的星空图片.本文的研究工作主要是星图模拟与星图去噪.首先学习了解CCD星敏感器原理,在此基础上模拟得到原始导航星图,然后模拟得到加了运动噪声的退化星图,最后学习维纳滤波和Matlab算法,利用Matlab算法中的维纳滤波方法对退化图像进行图像去噪复原技术研究,通过星图模拟和图像复原得到的仿真星图可以做成一个星图模拟器为星图识别工作提供仿真基础.     

基于神经网络的两种岩性识别方法的研究

利用测井资料实现岩性识别对于储层评价具有重要意义,采用概率神经网络（PNN）和自组织特征映射神经网络（SOM）的模式识别方法,分别建立测井岩性识别模型,并利用该模型对样本进行预测。仿真结果表明,建立的模型用于岩性识别具有预测精度高、易收敛和自动聚类等特点,对于岩性类别的划分是准确和可靠的,为相关领域的研究提供了新方法。     

一种基于星点特征不变原理的快速星图识别方法

星图识别算法是星敏感器输出姿态的关键技术。根据星图从天球坐标系转换到星敏感器坐标系过程中存在特征值不变的原理,结合视场和星等需求建立了导航星表。并根据星图识别要求设计了对应的快速识别算法。针对特征表维数多的特点,采用K向量法提高搜索效率,同时采用并行计算的思想进一步提高搜索速度。采用Matlab编程实现了算法,并进行了仿真。结果表明,算法的识别效率可达97.8%,平均搜索时间可达14.4ms,能够满足准确率高、识别速度快的要求。     

剖分特征集星识别法在天文导航中的应用

为了快速高效地对星图进行识别,准确地完成天文导航任务,提出了一种基于剖分特征集星识别方法。首先使用星表数据建立数据库,三角剖分该数据库建立特征星库,再获取待识别星图剖分特征与已建立的特征星库相比较实现星识别。在改进海明相似度与Euclid相似度等相似方法基础上,提出了一种新的剖分特征集星识别法,使用该方法可以快速地找到一个很小的可能星集合,重复该方法再获得相邻星的可能星集合,两个星集合中赤经与赤纬最相近的就是识别星。实验显示使用剖分特征集星识别法,准确率可以达到97%以上,能够准确地完成星图识别任务。     

基于共有星的快速星图识别方法

提高星图识别的快速性对于提高数字天顶仪的定位效率具有重要意义。传统的数字天顶仪星图识别需要对旋转拍摄的每幅星图上所有星点单独进行识别,致使星图识别效率较低。考虑到星图间存在着共有星,对此提出了一种基于共有星的星图识别方法。首先对定位循环中间位置拍摄的两幅星图单独进行识别,然后通过建立倾斜修正模型消除了实际拍摄状态下CCD平面与水平面之间的小倾角,并在此基础上建立了星点归算模型,以此找出剩余星图与已识别星图间的共有星。实验结果表明：通过星点归算模型找出剩余星图与已识别星图间共有星后,再对新增星进行识别,大大提高了星图识别的效率。     

基于惯性比特征的三角形星图识别算法

为了提高星敏感器的星图识别性能,提出了一种基于惯性比特征的三角形星图识别算法。该算法将导航三角形的形心惯性比和导航三角形最长边的角距值作为匹配特征量,并以此构建导航特征库,采用散列函数的方式搜索导航特征库。由于将三角形特征量的维数由三维缩减至二维,该算法具有导航星数据库容量小、搜索匹配速度快的优点。仿真实验表明,在星点位置噪声标准偏差为2像素、星等噪声标准偏差为0.8等的条件下,该算法的识别率均在99%以上,平均识别时间约为1.29ms,和现有三角形算法相比均具有一定的优势。并在地面观星实验中,取得了非常好的效果。     

SOM-LSTM递归神经网络语音端点检测系统

语音端点检测是语音信号处理的一个重要环节,传统的语音端点检测算法往往是基于短时能量以及过零率等实现,在低信噪比的环境下,检测算法的准确度较低。因此,提出了一种基于自组织映射(SOM)神经网络和长短时记忆(LSTM)递归神经网络相结合的端点检测算法。该算法通过检测语音信号在每个时间节点上的特征属性利用SOM神经网络进行聚类,并根据每个时间节点的语音状态对聚类结果进行调整,构造能够判别语音状态和噪声状态的样本作为LSTM递归神经网络的输入,利用LSTM递归神经网络实现端点检测的目的。