自适应航天器态势分析系统

发布时间：2025-08-12 19:01

　　 利用深度学习中的卷积神经网络理论,基于单目视觉系统和带有标识物的航天器影像,实现对航天器的三维姿态角、距拍摄点距离和相对拍摄中心偏移量的精准测量。利用机器学习理论实现网络自主学习样本特征,这一方式将大幅降低动态测量的误差。同时,这种测量方式也避免了人工提取特征的复杂过程,实现任意、精准、快速测量,对航天器在组装及发射过程中的姿态估计、距离测算起到关键性作用。

【文章页数】：7 页

【部分图文】：

图1 3d Max模型示意图

考虑到在位置和姿态角测量中,搭建实际环境的难度较高,花费的时间过长、费用较高,且安装精度难以控制,会对本文的测量精度产生一定影响,而且卷积神经网络的训练需要大量不同位置和姿态角的图片作为训练样本,因此实验采用在PC端仿真的方法来实现对实验模型的搭建以及全部样本的获取。训练及测试样....

图2 卷积神经网络示意图

1.3.2卷积神经网络的概要卷积神经网主要包括输入层、卷积层、池化层、全连接层和输出层,同时也需要对激活函数和损失函数等进行设置。

图3 Sigmoid函数图像

式中,e是自然常数,其值为2.71828;z是自变量,取值范围为全体实数集。对应表达图像如图3所示。tanh函数的表达式为

图4 tanh函数图像

该函数为奇函数,当输入z小于0时,取值范围为[-1,0];当输入z大于0时,取值范围为[0,1]。其对应表达图像如图4所示。Sigmoid函数将输入的任意值压缩至0～1的范围内,但在绝对值较大的地方梯度比较平缓,同时它的输出也不是0均值。tanh函数可以看作是sigmoid函数的....

本文编号：4058991