星三角形识别中的选星策略及实现

构造观测星三角形时,若其中某星像不能与星表存储的导航星对应,则该三角形无法正确匹配。为避免该星像被用于构造其它星三角形影响识别速度,讨论了此时星三角形的选星策略问题。提出了一种同时考虑选星子集相似性与子集中星像亮度两个条件的选星策略,给出了基于相似性排序和权值渐消的实现算法,得到了相邻星三角形选星子集差别最大的结果子集序列。仿真比较了6个星像(内含4颗导航星)时,采用该序列选星与采用参考序列选星,完成正确星图识别所需的最大选择次数,结果表明两者最大相差6,平均相差1。设定不同星像个数和导航星个数时两序列相差结果,平均约为1。说明该子集序列对提高星图识别速度是有价值的。     

一种用于陀螺随机漂移预测的多尺度混合建模方法

针对陀螺随机漂移时间序列由于非平稳和非线性造成单一预测模型难以准确跟踪其变化趋势的问题,提出了一种基于集合经验模态分解(EEMD)和灰色极端学习机(GELM)的多尺度混合建模方法。首先,利用集合经验模态分解将随机漂移时间序列按照频率高低分解为多个本征模式分量和一个余量;然后针对不同类型时频特性分量选择合适激活函数和隐层神经元数目的GELM分别进行预测;最后,以等权相加的方式得到最终预测结果。将该方法用于某型激光陀螺随机漂移预测中,仿真结果表明:混合预测模型能够准确预测陀螺随机漂移,预测精度比残差GM(1,1)和GELM预测模型分别提高了33.43%和23.47%,可为激光陀螺的漂移补偿、故障预报和可靠性诊断提供依据。     

基于极端学习机背景预测的红外小目标检测算法

为自适应检测复杂环境中的红外小目标,提出了基于极端学习机背景预测的红外小目标检测算法。首先,依据灰度值分布设计局部边缘敏感平滑滤波器,在相近的灰度范围内,使中心像素的灰度值等于邻域内多数灰度值的融合,对红外图像进行滤波,能够去除大量噪声并突出图像主要结构;其次,利用极端学习机对滤波后的图像建立回归模型,以邻域像素值为输入,以中心像素值为输出训练模型,并对背景进行预测,得到的图像与滤波后的图像做差,得到小目标显著图;最后,利用图像块对比特性对显著区域处理,使小目标区域均匀突出,抑制背景区域,并经过简单阈值操作,实现对红外小目标的检测。实验结果表明:与其他检测算法相比,在复杂背景下,本文算法检测结果的局部信噪比增益最高,单帧检测时间为0.18 s。本文算法对背景进行学习,发掘背景与目标的差异,提高了算法的适应能力,并且能够有效检测小目标。     

基于惯导姿态信息的高鲁棒性星图识别算法

为提高组合导航条件下星图识别的速度和鲁棒性,提出了基于惯导姿态信息估计星敏感器光轴指向和观测瞬时导航星表的方法,将瞬时导航星表与"金字塔"星图识别算法结合,剔除了角距满足观测星对但位置远离光轴的导航星对,减少了识别时相应观测星的导航星候选结果,提高了识别的速度和鲁棒性.对光轴指向误差为10°的情况进行了仿真,结果表明:当星位置误差小于50"时算法可以识别只包含2颗导航星的星图,当星位置误差小于250"时算法的识别率接近90%;平均识别时间约为27 ms.仿真结果说明算法在星位置误差较大时具有优势.     

基于遗传RBF网络的惯性测量组合模拟电路故障诊断

为解决惯性测量组合模拟电路的诊断不易定位到元件级故障的问题,提出了一种基于遗传RBF网络的智能诊断方法。该方法首先利用RBF神经网络快速准确识别故障的能力,以RBF的训练均方误差为遗传算法的适应度函数,依靠遗传算法强大的全局寻优能力实现故障特征选择。在特征选择的过程中,同时记录使训练均方误差达到最小的最优RBF网络,然后直接利用特征选择过程中训练好的最优RBF网络诊断故障,而无需利用特征选择后的训练数据对RBF网络进行再训练,简化了诊断步骤,同时增强了网络的抗干扰能力。仿真结果表明,该方法能有效去除冗余特征,准确诊断惯性测量组合模拟电路的故障,并有较好的抗噪能力,证明了该方法的有效性和可行性。     

具有选择与遗忘机制的极端学习机在时间序列预测中的应用

针对训练样本贯序输入时的极端学习机 (ELM)训练问题,提出一种具有选择与遗忘机制的极端学习机 (SF-ELM),并研究了其在混沌时间序列预测中的应用. SF-ELM以逐次增加新训练样本的方式实现在线训练,通过引入遗忘因子以减弱旧训练样本的影响,同时以泛化能力为判断依据,对其输出权值进行选择性递推更新. 混沌时间序列在线预测实例表明,SF-ELM是一种有效的ELM在线训练模式. 相比于在线贯序极端学习机,SF-ELM具有更快的在线训练速度和更高的在线预测精度,因此更适于混沌时间序列在线预测. 关键词： 混沌时间序列 时间序列预测 神经网络 极端学习机     

基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

针对应用于混沌时间序列预测的正则极端学习机(RELM)网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测. 关键词： 神经网络 极端学习机 混沌时间序列 时间序列预测     

基于P向量与三角形内切圆的星图识别算法

为了减少导航星表的存储容量和提高星图识别的成功率,提出了一种将P向量与三角形内切圆相结合的快速全天自主星图识别算法.该算法在构造导航星表过程中,从天文星表中挑选出满足要求的导航星并对其编号,以构造的P向量值、导航三角形内切圆半径R及导航三角形的第三条边为特征量构造导航子星表;在识别过程中,找出一定误差门限内,满足P向量...     

利用二阶方向导数极大值检测红外小目标

为提高复杂环境下红外小目标的检测率,提出了基于二阶方向导数极大值的红外小目标检测算法。该算法首先对二阶方向导数的性质进行了分析,对极大值进行阈值翻转操作,将背景中的平坦成分和边缘成分剔除。接着,根据小面模型对背景进行预测,并以预测误差为权值进一步增强小目标区域。以上2个步骤的计算可通过4个卷积实现,加快了检测速度。最后,对少量候选小目标计算局部对比度,降低了虚警率。实验结果表明：该检测算法在6种复杂背景下平均信杂比增益为78.413 0,平均背景抑制因子为35.079 6,具有较强的鲁棒性和较高的检测率。