BP神经网络在小样本星图识别中的应用

"基于BP神经网络的小样本星图识别方法 (2009年)，马涛，孙红辉，肖松，刘朝山，第二炮兵工程学院，陕西西安" 这篇文章探讨的是在星敏感器领域中如何利用BP神经网络实现小样本星图的高效识别。星敏感器是航天器和导弹等飞行器导航系统中的重要组成部分，负责识别天空中的星星以确定飞行器的位置和姿态。传统的星图识别方法可能存在实时性不足或鲁棒性不强的问题，而BP神经网络作为一种强大的非线性模型，能够适应复杂的模式识别任务，因此被引入到星图识别算法中。 文章首先提出根据飞行轨迹来精简导航星和对应的模式。这意味着在每个视场（Field of View, FOV）中，只保留对导航至关重要的星星，这样每幅星图都可以对应一个独特的导航模式，从而简化识别过程。为了构建这个模式，文章使用了二维Voronoi图。Voronoi图是一种几何分割方法，能够将平面分割成多个区域，每个区域内离某个点最近的所有点都属于该区域。在这个应用中，它被用来找到FOV内的最大空圆，这有助于构建一个完备的圆视场集合。 进一步，作者们通过比较不同的模式选择策略，最终选择了以恒星为顶点能构造出包含视场内所有星的凸多边形作为导航模式。这种模式有两个关键特征：一是其角距（星星之间的角度距离）和顶角（多边形的内角）可以作为识别向量，这是因为这些特征在平移和旋转下保持不变，从而增强了识别的稳定性；二是这样的模式可以作为BP神经网络的训练样本，因为它们具有较强的区分度。 BP神经网络是反向传播（Backpropagation）算法的神经网络模型，通过迭代学习调整权重来优化网络性能。在这种星图识别任务中，每个导航模式的角距和顶角向量作为输入，网络的输出是对应星图的标识。通过大量训练，网络能够学习到不同星图的特征，并在实际识别时快速、准确地匹配输入的星图模式。 在仿真试验中，该方法显示出极高的识别成功率，达到100%，并且识别时间小于20毫秒，这在实时导航系统中是非常理想的性能指标。这表明该基于BP神经网络的星图识别方法在保证高精度的同时，也满足了实时性需求，对星敏感器的导航性能有显著提升。 关键词涉及BP神经网络、星图识别、Voronoi图、样本集和凸多边形，表明文章主要研究了这几个技术在星图识别问题中的应用和结合。分类号和文献标志码则分别反映了文章所属的技术领域和技术类型，属于工程技术论文，且具有较高的学术价值。