基于散射光谱的材质分类识别研究

有效的甄别、掌握空间碎片的状态,是合理利用太空资源和在轨航天器规避风险的前提,为了安全、持续地开发和利用空间资源,基于散射光谱,使用夹角余弦和欧式距离嵌入K临近法(KNN-AC-ED),并与经典的朴素贝叶斯分类器作为对比,对实验室测得的空间碎片中常用的四种材质进行分类识别。分类识别的结果显示,KNN-AC-ED法比经典的朴素贝叶斯分类器总体分类精度高4%。研究表明:朴素贝叶斯分类器需要提取每个光谱曲线的三个特征,而特征提取费时费力;KNN-AC-ED法利用光谱线型和强度两种信息,不仅全面的反应了光谱的信息,且计算相对更快捷。通过对空间碎片常用材质的分类,为进一步研究空间碎片的尺寸、材质等信息提供一定的借鉴意义。     

基于卷积神经网络的材质分类识别研究

目前,空间目标中约6%为正在工作的航天器,而约94%的空间目标为太空垃圾,严重干扰和限制了航天器发射、运行等正常的太空活动轨道,在有效清除空间碎片之前,必须对其进行有效识别。本文基于散射光谱,使用卷积神经网络对空间碎片四种材质进行分类识别,并与BP神经网络的识别结果分析比较。鉴于试验所得的材质的原始光谱信噪比低、特征信息弱等特点,需要对光谱信号进行预处理包括去噪、BRDF计算和归一化处理。然后各取四种材质的200帧样本数据进行训练,另各取50帧数据预测,结果表明：卷积神经网络的总体精度比BP神经网络低2%,耗时少101 s;而增加训练样本数据量达到每个材质各500帧时,卷积神经网络的总体精度仅比BP神经网络低0.05%,耗时则少了891 s,卷积神经网络极大的体现了其时间的优越性。该方法对大数据量的空间碎片材质的分类,具有较大的实用性和借鉴意义。