發(fā)布時(shí)間：2018-03-12 08:19

  本文選題：空間碎片　切入點(diǎn)：散射光譜　出處：《激光與紅外》2017年08期 　論文類型：期刊論文

【摘要】：目前,空間目標(biāo)中約6%為正在工作的航天器,而約94%的空間目標(biāo)為太空垃圾,嚴(yán)重干擾和限制了航天器發(fā)射、運(yùn)行等正常的太空活動(dòng)軌道,在有效清除空間碎片之前,必須對(duì)其進(jìn)行有效識(shí)別。本文基于散射光譜,使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)空間碎片四種材質(zhì)進(jìn)行分類識(shí)別,并與BP神經(jīng)網(wǎng)絡(luò)的識(shí)別結(jié)果分析比較。鑒于試驗(yàn)所得的材質(zhì)的原始光譜信噪比低、特征信息弱等特點(diǎn),需要對(duì)光譜信號(hào)進(jìn)行預(yù)處理包括去噪、BRDF計(jì)算和歸一化處理。然后各取四種材質(zhì)的200幀樣本數(shù)據(jù)進(jìn)行訓(xùn)練,另各取50幀數(shù)據(jù)預(yù)測(cè),結(jié)果表明:卷積神經(jīng)網(wǎng)絡(luò)的總體精度比BP神經(jīng)網(wǎng)絡(luò)低2%,耗時(shí)少101 s;而增加訓(xùn)練樣本數(shù)據(jù)量達(dá)到每個(gè)材質(zhì)各500幀時(shí),卷積神經(jīng)網(wǎng)絡(luò)的總體精度僅比BP神經(jīng)網(wǎng)絡(luò)低0.05%,耗時(shí)則少了891 s,卷積神經(jīng)網(wǎng)絡(luò)極大的體現(xiàn)了其時(shí)間的優(yōu)越性。該方法對(duì)大數(shù)據(jù)量的空間碎片材質(zhì)的分類,具有較大的實(shí)用性和借鑒意義。
[Abstract]:At present, about 6% of the space targets are active spacecraft, while about 94% of the space targets are space junk, which seriously interferes and restricts the normal orbit of space activities, such as the launch and operation of the spacecraft, before effectively removing space debris. It must be recognized effectively. In this paper, four materials of space debris are classified and identified by convolution neural network based on scattering spectrum. Compared with the recognition results of BP neural network, in view of the low signal-to-noise ratio of the original spectrum and the weak characteristic information of the material obtained from the experiment, It is necessary to preprocess the spectral signal including denoising BRDF calculation and normalized processing. Then we take 200 frames of sample data of four different materials for training and 50 frames each for prediction. The results show that the overall accuracy of the convolutional neural network is lower than that of the BP neural network, and it takes less than 101 s, and when the training sample data is increased to 500 frames per material, The overall accuracy of convolution neural network is only 0.05 lower than that of BP neural network, and the time consuming is 891 s less. The convolution neural network greatly reflects the superiority of time. It has great practicability and reference significance.
【作者單位】： 長(zhǎng)春理工大學(xué)理學(xué)院;
【分類號(hào)】：TP183;V528

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 鄧建長(zhǎng);劉海波;;對(duì)礦山安全評(píng)價(jià)中神經(jīng)網(wǎng)絡(luò)的改進(jìn)[J];湖南安全與防災(zāi);2008年05期

2 彭泓;高攀;;粗神經(jīng)網(wǎng)絡(luò)在煤與瓦斯突出預(yù)測(cè)系統(tǒng)的應(yīng)用[J];儀表技術(shù)與傳感器;2011年11期

3 鐘茂華，，陳寶智;基于神經(jīng)網(wǎng)絡(luò)的重大危險(xiǎn)源分級(jí)研究[J];中國(guó)安全科學(xué)學(xué)報(bào);1996年S1期

4 郭忠平,王志軍,李勇;基于神經(jīng)網(wǎng)絡(luò)的綜合指標(biāo)在煤礦安全預(yù)測(cè)中的應(yīng)用[J];煤礦安全;2005年09期

5 周剛;葛盛奇;楊立;;基于神經(jīng)網(wǎng)絡(luò)與表決融合的核動(dòng)力裝置故障診斷方法[J];原子能科學(xué)技術(shù);2010年S1期

6 劉勝;劉娜;楊育;賈建國(guó);;危險(xiǎn)源安全評(píng)價(jià)的離散Hopfield神經(jīng)網(wǎng)絡(luò)[J];重慶大學(xué)學(xué)報(bào);2013年04期

7 劉蘭翠,朱明,楊中;基于神經(jīng)網(wǎng)絡(luò)的時(shí)間序列對(duì)煤礦安全性的預(yù)測(cè)[J];煤炭科學(xué)技術(shù);2002年11期

8 方智陽(yáng);文進(jìn);王俊峰;石應(yīng)康;;地震災(zāi)害醫(yī)療應(yīng)急救援推演研究[J];計(jì)算機(jī)應(yīng)用研究;2011年01期

9 趙飛;王則勝;;基于改進(jìn)的新型神經(jīng)網(wǎng)絡(luò)在煤礦企業(yè)安全管理中的應(yīng)用[J];煤炭技術(shù);2011年04期

10 張嘉琪;劉陽(yáng);王曉麗;鄭嗣華;趙暉;;虛擬儀器技術(shù)在神經(jīng)網(wǎng)絡(luò)火災(zāi)識(shí)別模型中的應(yīng)用研究[J];中國(guó)安全科學(xué)學(xué)報(bào);2011年11期

相關(guān)會(huì)議論文 前1條

1 鄭勇明;吳信民;張葉;楊亞新;;BP神經(jīng)網(wǎng)絡(luò)方法在鈾礦山輻射環(huán)境評(píng)價(jià)中的應(yīng)用研究[A];中國(guó)核科學(xué)技術(shù)進(jìn)展報(bào)告（第二卷）——中國(guó)核學(xué)會(huì)2011年學(xué)術(shù)年會(huì)論文集第5冊(cè)（輻射防護(hù)分卷、核化工分卷）[C];2011年

相關(guān)博士學(xué)位論文 前1條

1 王堯;基于脈沖耦合神經(jīng)網(wǎng)絡(luò)的視覺(jué)推斷模型理論與應(yīng)用研究[D];北京交通大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 張抗抗;煤礦主通風(fēng)機(jī)風(fēng)量調(diào)節(jié)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];中國(guó)礦業(yè)大學(xué);2015年

2 劉志堅(jiān);基于BP神經(jīng)網(wǎng)絡(luò)的煤自然發(fā)火預(yù)報(bào)系統(tǒng)研究[D];華北理工大學(xué);2015年

3 汪古s

本文編號(hào)：1600739