[发明专利]基于卷积神经网络的星敏感器星图识别方法

权利要求书

1.一种基于卷积神经网络的星敏感器星图识别方法，包括如下步骤：

步骤1：建立样本库；对原始星表做星过滤处理建立导航星星库，采用星座聚类方法，统计全天球导航星所属的星座，并对星座编号，样本库即由仿真星图以及对应星数最多星座的编号组成；

步骤2：建立并训练卷积神经网络；其中输入为星图，输出为星图中星数最多的星座编号，以稀疏矩阵代替原星图，将样本库星图输入卷积神经网络开展训练；

步骤3：开展星图识别；拍摄所得星图经过星像提取，并转化为稀疏矩阵后输入卷积神经网络，开展粗姿态星图识别，获得方位；运用局部天区星图识别算法，识别视场内的恒星；

所述星座聚类方法具体步骤包括：

1)设定参数；取聚类角θ为视场角的八分之一，阈值t为θ的千分之一，定义一个变量cluster，并初始化为0，导航星共有M颗，定义一个包含M个元素的数组cnum，并初始化为0，数组cnum元素与每颗导航星对应，用于记录恒星所属的星座编号，元素值为0表示对应恒星尚未经过聚类处理；

2)以光轴指向的赤经α＝0°和赤纬δ＝-90°为起点；

3)对于当前光轴指向(α_i,δ_i)，统计视场内的恒星，有N颗，定义一个包含N个元素的数组flag，所有元素初始化为0；从数组cnum中提取当前视场恒星的星座编号，并存入数组flag中；

4)统计数组flag中值为0的元素总数，为Nvis；若Nvis＝0，则已将当前视场的所有星聚类到相应星座，执行步骤9)；若Nvis大于0，即还有星未被处理，那么选择其中任意第一颗恒星的位置S₀为起始位置，设其在惯性坐标系坐标为(α₀,δ₀)，方向余弦矢量V₀为

5)统计与S₀的角距小于θ的所有星，设有k颗星，其中包含第一颗恒星的位置S₀，它们的赤经和赤纬为(α_j，δ_j)，其中j∈[1，k]；参照公式(1)可计算它们的方向余弦矢量为V_j，它们与S₀的角距按照公式(2)计算；

θ＝cos^-1(V₀·V_j) (2)

6)若这k颗星的星座编号都为0，则cluster增加1，并将cluster赋值给数组flag中的对应元素，执行步骤7)；否则，统计这k颗星非零星座编号的最小值，设为fm；在当前视场内已分配星座编号的恒星中，若存在和该k颗星星座编号相等的恒星，那么，它们的星座编号重新赋值为fm，这k颗星星座编号也都为fm，以此将所有相连接的近邻恒星聚类到同一个星座，并统一它们的星座编号；

7)按照公式(3)，计算这k颗星中心位置S的方向余弦矢量，设为V_new

其中；

8)若第一颗恒星的位置S₀和新的中心位置S的角距小于t，则完成了当前视场的星座聚类，执行步骤4)；否则将V_new赋给V₀，S₀移动到中心位置S处，返回步骤5)；

9)将数组flag各元素值赋给数组cnum中对应元素，光轴指向下一方位，返回步骤3)，直到遍历结束。

2.根据权利要求1所述的基于卷积神经网络的星敏感器星图识别方法，其特征在于：所述建立样本库：首先，根据星敏感器的极限星等，对原始星表作星过滤处理，删除双星、变星、和星等高于极限星等的恒星；然后，采用星座聚类方法，将全天球导航星聚类到不同的星座，并对星座编号；最后，遍历全天球，针对每个光轴指向和姿态，生成仿真星图，并统计该视场内星数最多星座的编号；样本库即由星图以及对应的星数最多星座的编号组成。

3.根据权利要求1所述的基于卷积神经网络的星敏感器星图识别方法，其特征在于：建立卷积神经网络：卷积神经网络包括5个卷积层、5个池化层、2个全连接层，选用ReLu为激活函数；输入为一个以三元组稀疏矩阵表示的星图，输出为当前星图中星数最多的星座编号；将星敏感器星象提取计算得到恒星星像在本体坐标系中的坐标位置转换为行和列数都是1024的三元组稀疏矩阵，每个星点占据1个像元，以此代替原星图。