基于支持向量机的导航星选取算法研究

在星敏感器导航星表的建立过程中由于恒星的数量太多, 往往要进行筛选, 通常这种选择是一种基于枚举的大量反复的提取过程, 复杂费时而结果往往并不是最优的。而基于统计学习理论( SLT) 的支持向量机( SVM) 方法正好克服了这方面的不足。SLT 理论和SVM 方法为导航星选取过程的简化和结果的最优性的获得提供了新的途径。讨论了支持向量机在导航星选取优化中进行应用的分类算法, 构建了导航星分类器, 并以导航星的选取为例进行了试验论证。试验表明: 基于SVM 的导航星分类器对简化导航星的筛选过程优化导航星表的     

基于ITSI优选算法的星敏感器导航星库建立

为了有效提高星敏感器星图识别性能,基于ITSI导航星优选算法,合理地进行了导航星库的构建。该优选算法是在传统的导航星优选算法基础上进行的改进,通过区域分割和星密集度计算来实现优选导航星。同时,基于SAO星表,本文建立了一个星图仿真器的软件平台,可以按照实际需求输出全天球范围内不同光轴指向、视场角、轨道位置、像元敏感度等约束条件下的观测星图。在此星图的基础上,运用上述导航星优选算法,建立导航星星库。经均匀性评价准则验证,本文提出的导航星优选算法可以更好地实现导航星的均匀分布,降低星冗余度。最终基于此算法建立导航星库,可以有效降低星图匹配复杂性,提高星图匹配速率和识别成功率。     

一种改进的快速星图识别算法

为解决传统算法在星图噪声加大、星等接近的情况下识别率和识别速度降低的问题.提出一种改进的星图识别算法;从三方面进行改进:首先采用重叠正交网格方法对星表进行均匀化,以减小导航星库容量;其次在匹配时采用哈希查找的搜索方式,以提高匹配速度;最后在识别匹配中加入星等判断环节,当星等噪声大、相对星等小时不采用星等信息,只采用角距进行匹配,同时引入了校验环节以降低冗余和误匹配;仿真实验表明,改进的算法对位置和星等误差比传统的星图识别算法具有更好的鲁棒性,且实时性得到了很大的提高.     

基于同心圆分割的大视场星图识别算法

针对星敏系统常见的三角形识别算法数据冗余量大、识别速度特别是初始识别速度低的问题,提出一种基于同心圆分割的大视场(FOV)星图识别算法。在分析星图信息以获得其主星的基础上,围绕主星以一定的半径画8个同心圆,再根据各星的坐标统计每个圆环内的星数量,从而得出主星的伴星分布向量。以同样方法基于基本星表构建相对应的导航星特征库,然后利用伴星分布向量与特征库进行模式匹配,从而得出星图识别结果。对特征库中的数据,根据各向量的第一维元素大小进行排序,以加快算法的识别过程。仿真实验结果表明,该算法所需的导航星特征库存储空间小,具有良好的实时性、抗噪性与较高的识别率,能够以95.3μs的识别时间达到88.9%以上的正确率,可与其他识别算法相结合,执行于不同的阶段,实现更高效、准确的天文导航。     

基于球面三角剖分与"距离-星等"加权的导航星表构建方法

针对球矩形法剖分所得网格单元面积不均,且局部相邻网格所选导航星距离较近的问题,提出了一种基于球面三角剖分的导航星表构建方法.该方法采用三角网格代替赤经赤纬网格,使得网格单元面积近似相等,通过引入"距离-星等"加权,改善了局部相邻网格间导航星较近的问题.仿真结果表明:采用本方法所构建的导航星表在完备性没有降低的情况下,存储量小,均匀性好,体现了本方法的有效性.     

分块查找算法性能分析

查找[1]是通过一定的方法找出与给定关键字相同的数据元素的操作.分块查找通过先分块再查找的方式,减少了关键字的比较次数,有效地提高了查找性能.对分块查找算法性能进行了分析,并给出了计算该算法的平均查找长度的算法.     

LIS模式下基于双主星集合匹配的星图识别方法

为提高折射星图中非折射星的识别成功率,提出了一种大视场星敏感器高鲁棒性星图识别方法。首先,筛选基础星表,实现导航星库均匀化,采用分组快速搜索算法,提高星对角距特征匹配速度。其次,提出一种基于双主星集合的星点匹配算法,通过匹配、验证、确认三个阶段,多次检验星点集合中的导航星序号,提高星图识别算法的鲁棒性。仿真结果表明,在星点位置噪声、星等噪声、伪星和缺失星等干扰环境下,所提算法与传统的三角形-金字塔混合算法相比,抗干扰能力更强。在含有6颗折射星的干扰条件下,所提算法的非折射星识别成功率仍高于95.6%,较传统算法识别率提升31%。     

太空环境建模研究与实现

虚拟太空环境是与太空活动相关仿真的基础,星空背景是虚拟太空环境的重要组成部分。针对基于SAO星表进行星空背景建模数据量过大导致显示效率低的问题,对SAO星表数据域进行了精简,并在此基础上提出了一种星表数据按经纬度分块读取与绘制的快速算法。给出了星表数据的转换到特定时刻和特定视点的时空变换方法,同时还给出了不同星等的亮度纹理生成方法。实验结果表明能实现任意时刻、任意视点太空动态场景的实时绘制,并且真实感强,能够满足空间景象匹配与识别仿真的需要。     

基于锚定和EMD距离的星图识别方法

针对现有的识别算法存在识别速度慢,识别成功率不高,提出了一种新的星图识别算法,该算法根据恒星星等,利用锚定的方法,使待识别星图中的星落于导航星图中的星的ε邻域,对于未落于ε邻域的星,建立有向赋权二部图,进行完美匹配,根据计算星对之间EMD距离,来确定星图的匹配是否成功;仿真结果表明,该方法提高了星图识别的速度,有很高的成功率;通过与利用Hous-dorff距离进行星图识别的方法比较,该方法对于星数目多时,速度有明显提高。     

基于空间分布差异度的分块彩色图像检索方法

传统的基于颜色直方图的彩色图像检索方法具有计算简单和尺度变化不敏感的优点,但传统的方法普遍存在丢失图像空间信息和特征维数较高的缺点。为克服上述缺陷,提出了一种基于空间分布差异度的分块颜色直方图图像检索新方法。该算法首先将图像进行划分,并计算图像各子块间的相似度;然后,对分块的图像进行空间分布差异度的计算,并由此确定各分块的权值系数;最后,对各子块的相似度进行加权累加从而得到整幅图像的相似度。实验表明,该算法能克服传统方法的弊端,并具有较好的平均查找性能。     

基于围线分层扫描的完全欧氏距离变换算法

围线扫描欧氏距离变换算法是一种快速的完全欧氏距离变换算法,其时间复杂度达到最优,但需在围线区域进行全局搜索,计算时间并未优化。针对此问题,提出了一种基 于围线分层扫描的完全欧氏距离算法。该算法首先根据中心像素的围线性质对二值图像像素点进行重新分类,然后按照围线区域像素与中心像素的空间关系,对中心像素的围线区 域进行分层搜索,并给出了搜索的终止条件。该算法保持了最优的时间复杂度,可通过定量分析单个像素的计算时间来证明其计算时间已得到优化。实验结果表明,该算法能够得到 准确的欧氏距离图像,且运行速度快。     

交通网络限制搜索区域时间最短路径算法

在基于四叉堆优先级队列的改进型Ｄｉｊｋｓｔｒａ 最短路径算法的基础上,进一步提出了利用交通网络的空间分布及方位特征构造限制区域的时间最短路径算法。在对城市交通网络空间分布特征进行统计分析的基础上,针对具体的起、终节点,设定合理的椭圆限制搜索区域,以减少算法的搜索规模。针对椭圆限制搜索区域算法由于计算量大而效率不高的弱点,提出了矩形限制搜索区域算法,达到既减小算法搜索规模,又提高算法运行效率的目的。试验结果显示了本文提出的限制搜索区域算法的合理性与有效性     

交通网络限制搜索区域时间最短路径算法

在基于四叉堆优先级队列的改进型Ｄｉｊｋｓｔｒａ最短路径算法的基础上,进一步提出了利用交通网络的空间分布及方位特征构造限制区域的时间最短路径算法。在对城市交通网络空间分布特征进行统计分析的基础上,针对具体的起,终节点,设定合理的椭圆限制搜索区域,以减少算法的搜索规模。     

一种新的公交数据模型与公交查询系统实现

针对目前大多数城市公交查询系统存在的问题,提出了一种新的公交数据模型,在对经典A*算法进行改进的基础上,提出了一种新的公交网络最短路径算法,实现了昆明市公交数据建模及公交查询系统。给出了公交网络最短路径算法流程图,将该算法与传统的Dijkstra算法应用于昆明市公交网络,并对其结果进行比较分析。结果表明,该系统操作直观,响应速度快,通过该系统,出行者可方便地获取出行所需的公交路线信息及其乘换地点,并可获取所经每一个站点的所有公交线路。     

星象跟踪的实时性改进

针对弹道导弹星象跟踪实时性问题,提出星象跟踪的实时性改进的一种新方法。该方法根据星象跟踪/预测方法与跟踪模式特点,首先,建立了基于统一存储的星表模式库,并采用k-vector作为检索方法,以提高检索速度;其次,为实时生成局域星象信息集合,提出了并行多维检索的方法,以节省提取星像信息的时间;最后,进行算法性能分析。仿真实验结果表明:该算法能够大大地提高星象跟踪的实时性,提高导弹命中精度。     

自适应视野和步长的局部邻域人工鱼群算法

为解决基本人工鱼群算法搜索后期盲目性大、过早收敛等问题,提出了一种采用全新局部邻域结构的人工鱼群算法.每条人工鱼只能与本邻域内的其他5条邻居鱼通信,每次迭代前每条人工鱼都要根据自身与邻域内其他5条邻居鱼的平均距离自适应地计算视野和步长,并对人工鱼的聚群和追尾行为进行了改进,从理论上讨论了该算法的收敛性.仿真结果和工程实例测试表明,该算法具有良好的收敛速度和全局搜索能力,寻优精度更高,优化性能更好.     

综合模块选择、资源共享与任务调度的SoC设计方案搜索算法

在SoC系统的设计中,设计方案将直接决定最终系统的性能和成本.提出一种综合模块选择、资源共享与任务调度的设计方案搜索算法.该算法巧妙地将模块选择、共享方案的搜索与表调度融合在一个分支定界过程中,严格搜索表调度策略下的最优设计方案;将搜索与调度同时进行,具有较快的搜索速度.对多种不同规模的任务图进行测试,并与现有方法进行实验对比的结果表明,对于中小规模的系统设计,该算法能够在很短的时间内找到设计空间中的最优方案.     

A fast pivot-based indexing algorithm for metric spaces

This work focus on fast nearest neighbor (NN) search algorithms that can work in any metric space (not just the Euclidean distance) and where the distance computation is very time consuming. One of the most well known methods in this field is the AESA algorithm, used as baseline for performance measurement for over twenty years. The AESA works in two steps that repeats: first it searches a promising candidate to NN and computes its distance (approximation step), next it eliminates all the unsuitable NN candidates in view of the new information acquired in the previous calculation (elimination step).This work introduces the PiAESA algorithm. This algorithm improves the performance of the AESA algorithm by splitting the approximation criterion: on the first iterations, when there is not enough information to find good NN candidates, it uses a list of pivots (objects in the database) to obtain a cheap approximation of the distance function. Once a good approximation is obtained it switches to the AESA usual behavior. As the pivot list is built in preprocessing time, the run time of PiAESA is almost the same than the AESA one.In this work, we report experiments comparing with some competing methods. Our empirical results show that this new approach obtains a significant reduction of distance computations with no execution time penalty.     

一种用于运动估计的十字六边形搜索算法

提出了一种十字六边形搜索算法用于快速运动估计。该算法利用了运动矢量的中心偏置性和相关性，运动估计时通过预测确定搜索起始点，在搜索前期利用十字模板结合提前退出技术优先搜索起始点附近的局部区域，后期则改用六边形模板扩大搜索范围并完成运动估计。实验证明该算法与原始的六边形搜索算法相比平均减少了45%的搜索点数，与一些新的快速搜索算法相比，在搜索精度基本相似的情况下也有效地降低了运动估计的运算复杂度。