基于流形学习的多光谱优化波段选择算法研究

为从多光谱图像特征提取的角度进行优化波段选择,在充分描述数据结构特征的同时使提取选择的特征有明确的物理意义,对基于流形学习算法的优化波段选择算法进行了研究。用判别局部排列(DLA)算法对多光谱数据进行预处理,选取正负样本,利用样本信息,以目标分类为目的进行特征提取。利用特征提取的结果,从特征提取的角度分析当前各谱段对所提取的主特征贡献的总信息量和贡献率,给出了基于权值和基于贡献率的两种优化波段选择算法,分别基于权值和贡献率进行特征选择。用正负样本的可分性可快速高效降维,同时又能保留多光谱图像原物理特性。实测数据验证了优化降维后的5个谱段能保留原数据的物理特性,目标识别概率提高约2%,计算复杂度降低约50%。优化选择的谱段有助于新一代多光谱探测器的研制和应用。     

面向卫星电源系统的一种新颖异常检测方法

面向卫星电源高维周期性时序遥测数据，提出了一种新颖的代表性特征自编码器（RFAE）模型，并用于无监督的异常检测。RFAE采用改进的堆叠自编码器损失函数和训练算法，从而使模型可以学习到相位相同样本的代表性特征；然后根据代表性特征重构样本，根据重构误差来判断样本是否异常。在试验部分首先通过模拟数据校验了RFAE算法能够有效地检测出高维周期性时序数据的异常，然后又采用某卫星电源系统2014年1~12月真实遥测数据进行试验，RFAE异常检测准确率达到99%，检测效果明显优于目前的其他异常检测算法，具有较高应用价值。     

基于深度学习特征提取的遥感影像配准

传统的影像配准算法,如尺度不变特征变换(SIFT)、加速稳健特征(SURF)等,对遥感卫星影像配准存在提取特征点少、错误匹配多等缺点。文章使用数据驱动的随机特征选择卷积神经网络(RanSelCNN)方法,对Landsat-8卫星不同时相或同一时相具有重叠度的遥感影像进行配准,卷积层使用随机特征选择,增加特征提取的鲁棒性;训练时使用联合损失函数,同时对特征探测器和特征描述符进行优化,减少特征的错误匹配。结果表明:基于随机选择的深度神经网络的遥感影像配准能提取更多的特征点,有效降低错误匹配率。与传统的人工设计特征相比,该算法能明显提高卫星影像配准的精度。     

基于组合特征选择的目标识别算法研究

针对飞机遥感图像识别,对一种基于组合特征选择的目标识别算法进行了研究。考虑获取的飞机样本数量有限,且存在旋转、遮挡等现象,采用提取图像熵值、归一化转动变量、Fourier描述子、Hu矩和Zernike矩不同的不变矩描述其整体和细节特征,用离差标准化的归一化方法进行特征融合。考虑组合不变矩维数相对较高,用主成分分析(PCA)算法进行特征选择以避免维数灾难。用具参数优化的支持向量机(SVM)进行分类识别。给出了目标识别算法的流程。进行了手写数字和飞机目标识别两个仿真实验,结果表明:该特征选择方法在基于MNIST数据集的小样本手写体数字图像识别中,识别效果良好;在有限样本的飞机识别中,经特征选择后识别效果有较大改善,识别时间缩短,训练样本数据多,识别的精度会更高,但当飞机目标的不同姿态下形状发生变化时识别效果会变差。     

一种基于迁移学习的遥测数据异常检测方法

为解决卫星遥测数据异常检测面临的数据不平衡且缺乏有标签样本的问题，提出一种基于一维卷积神经网络(1dCNN)迁移学习的异常检测方法。首先利用源域卫星的遥测数据对1dCNN进行预训练，使得模型的卷积层具有卫星状态特征的提取能力；然后将训练好的模型迁移到缺乏标签数据的目标域卫星中；利用目标域有标签样本对预训练模型进行微调，从而实现了对目标域测试集样本的异常检测。为了使1dCNN能够适应遥测数据样本的不平衡性，引入了代价敏感训练策略，建立动态损失函数，从而提升代价敏感一维卷积神经网络(cs 1dCNN)对于异常样本的识别能力。以某两个卫星的电源分系统遥测数据进行了验证，实验结果表明该异常检测迁移方法具有较好的有效性和鲁棒性。     

空间变化场景下卫星部组件域适应识别研究

针对小样本限制下卫星部组件识别域适应困难的问题,提出一种变化场景下自适应迁移的目标识别算法.卫星部组件的识别模型框架为YOLO,迁移算法包括3个策略:基于特征关联性的样本加权策略,基于模型的参数自适应策略和最优特征变换自适应迁移策略.基于以上策略,YOLO模型建立域特征空间的相似性,选择性地迁移源域知识,同时在适应过程...     

星载云检测算法的FPGA实现

对于光学遥感卫星而言,云的存在遮挡了地物,对卫星图像数据获取的质量造成了很大影响。对云进行实时有效的检测,可以把云图识别并分离出来,根据卫星的不同需求进行分类处理。一方面,为了减轻卫星数据传输通道的压力,云图可以不对地面传输;另一方面可以对云图进行高倍数压缩,由此节省出来的数据量可以给非云图像提供更高的压缩质量。提出的一种云检测FPGA实现方法,检测效果良好,厚云检测率达到97%,目前已成功应用于多颗卫星。     

基于半参数回归模型的批处理确定卫星轨道方法

由于卫星轨道观测数据中含有非线性影响因素,必然会降低定轨精度。在半参数 回归模型的基础上,应用小波阈值去噪算法估计并消除观测数据中存在的非线性影响因素, 提出了基于半参数回归模型的批处理确定卫星轨道的方法,以提高定轨精度;然后,在理论 上证明了在测量数据存在非线性影响因素的情形下,基于半参数回归模型的批处理确定卫星 轨道方法的定轨精度高于经典的批处理定轨精度;最后,对中低轨卫星应用批处理定轨进行 了仿真。结果表明：基于半参数回归模型的批处理确定卫星轨道方法分离出观测数据中的 白噪声和非线性影响因素,从而可以在观测数据中消除非线性影响因素,提高定轨的精度。     

基于三维卷积残差网络的无人机高光谱岩性分类

岩性识别和分类是地质学、资源勘查等不可或缺的环节,高光谱遥感的兴起为岩性识别提供新的思路。利用机器学习挖掘岩石高光谱图像中的信息从而准确识别岩性,这具有重要的应用价值。目前用机器学习的方法实现岩石的高光谱影像分类研究中,缺少对空间和光谱信息的充分利用,因此本文使用了一种加入注意力机制的三维卷积残差网络结构,能够有效提取岩石高光谱图像的空间、光谱特征以及空谱联合特征。本实验利用无人机搭载高光谱传感器采集了10种不同类型的岩石样本影像,应用该算法对岩石高光谱图像进行分类。实验结果表明：该算法与传统机器学习算法SVM、RF和深度学习算法ResNet、3D CNN和SSRN相比具有更高的精度。     

一种基于角度偏离的卫星分系统异常检测方法

为保证卫星稳定运行,延长卫星寿命,提出一种基于角度偏离的卫星异常检测算法(ADMAD)。针对卫星遥测数据构成的高维数据空间,利用共享近邻(SNN)算法构建相关数据集空间,用角度代替距离,采用基于角度偏离的属性选择算法筛选与异常相关的属性,使用归一化的马氏距离计算异常值,结合统计学知识计算得到异常阈值并对数据集进行分类。采用某卫星2014年7-9月、2015年7-9月控制和电源分系统的遥测数据分别进行验证,试验结果表明,在领域知识匮乏的情况下,该算法的准确率可以达到95%以上,算法鲁棒性较高,能够有效地实时检测卫星分系统异常。     

基于可见光与红外卫星图像融合的舰船目标检测

为解决现有基于可见光卫星图像的舰船目标检测算法在云雾遮挡、海岸干扰等复杂场景下的错检和漏检问题,本文在YOLOv5网络基础上,通过空间特征与谱段特征的联合提取提高网络性能,提出了基于可见光与红外卫星图像融合的舰船目标检测算法VI-YOLOv5。实验结果表明:双模态融合目标检测算法性能优于单模态目标检测算法,在交并比阈值为0.5的情况下,可见光+红外融合网络的平均精度达0.976,相较于单可见光网络提高了2.5%,相较于单红外网络提高了8.9%,有效缓解了复杂场景下出现的错检和漏检问题,验证了可见光与红外卫星图像融合在舰船目标检测任务中的有效性。     

黄渤海晴空像元下雾霾识别的机器学习算法

为实时有效地识别和监测雾霾，选取2013年10月4日与10月5日的两景MODIS遥感图像，利用不同类型像元的光谱差异，基于神经网络模型，建立海上雾霾的遥感识别机器学习算法。经检验表明，在晴空条件下，机器学习算法反演精度相对较高，已超过98%，利用算法可以实现对中国近海上空雾霾的监测。     

改进PointNetLK的点云智能配准与位姿图优化方法

针对空间在轨服务任务中的非合作目标相对位姿测量问题,提出一种目标可测部位点云的智能配准方法。首先,通过Straight Through滤波算法对半物理仿真平台采集得到的点云进行目标提取,以消除背景数据等杂乱信息;其次,改进PointNetLK神经网络点云配准算法,将提取后的点云数据作为输入,从而获得初步配准结果,解决非合作目标先验信息缺失导致的无法配准问题;最后,建立基于位姿图的优化模型,以降低配准误差,提高配准精度。实验结果表明,与传统迭代最近点(ICP)算法相比,配准综合误差从6.3598降低到1.7291,精度提高约 72.81% 单次耗时从33.16 s降低到4.2 s,效率提升约87.33%,与当前SM ICP等其他算法相比,也具有一定的优势。     

应用Landsat-8遥感图像的火点检测研究

论述了一种通过遥感卫星图像来实现火点的检测方法,先通过双阈值方式搜索高温点,然后对高温点像素进行聚类,形成高温点簇,最后建立高温点簇面积与亮温阈值之间的对应关系模型,根据面积亮温模型判断搜索到的高温点簇是否火点。文中通过火灾与秸杆焚烧的遥感图像验证了所提出方法的有效性,其火点检测的平均准确率为0. 892,漏检率为0. 088,从中可看出,采用的面积亮温模型准确反映了火点规律,并且是有效的。     

太空非合作遥感卫星三维重建点云的平面滤波方法

受太空环境光照条件弱、卫星高速运动、卫星表面纹理匮乏等因素的影响,太空非合作遥感卫星的三维重建点云中往往会存在大量噪声,给太空非合作目标的准确探测带来了非常不利的影响。文章以非合作遥感卫星的形状特征作为先验知识,提出一种三维重建点云的平面滤波方法。针对点云噪声的不同特点,首先利用统计分析滤波方法消除离群离散点噪声;其次,利用改进的区域生长聚类方法,分割出点云模型中的平面结构与离群点簇噪声;然后,分别用RANSAC算法和最小二乘法对平面结构进行滤波,并将平面结构附近的噪声点垂直投影至平面内,去除模型表面噪声。实验结果表明,该优化方法可以有效去除非合作遥感卫星三维重建点云中的大部分噪声,得到卫星平面结构的光滑点云数据。     

基于点云的空间非合作目标结构识别问题研究

在空间非合作目标捕获任务中，从传感器数据中识别出目标表面的可抓取结构是一个有待解决的问题。以卫星点云数据集作为对象，对4种基于神经网络算法(PointNet、PointNet++、SPLATNet和SO-Net)在卫星结构分割识别任务中的性能进行了比较分析。为了能够更好地测试算法性能，基于NASA在线数据库构建了训练测试数据集，并给出一种点云数据的快速构建方法。使用该方法，可以实现成批量地生成点云数据。仿真测试结果显示:PointNet++在卫星完整点云数据集和非完整点云数据上的分割准确率都是最高，并且分割效果也优于其他算法。     

基于粒子群优化核极限学习机的北斗超快速钟差预报

针对卫星钟差序列中非线性特性较为复杂和超快速钟差预报精度较低的问题,将核极限学习机算法引入到北斗超快速钟差预报中。首先,将极限学习机进行优化,引入粒子群优化算法来选择核极限学习机所需的核参数和正则化参数;然后,将优化后的方法应用到超快速钟差预报中,并给出了利用该方法进行超快速钟差预报的步骤;最后,在分析iGMAS提供的实测北斗超快速钟差数据的基础上,选用单天和多天数据进行短期预报。结果表明：在短期预报6h范围内,利用本文提供的优化方法解算得到的超快速钟差预报精度明显优于二次多项式模型和周期项模型,并且采用此方法得到的超快速钟差预报产品与iGMAS提供的超快速钟差预报产品(ISU-P)相比,GEO、IGSO和MEO卫星的预报精度分别提升了50.51%、46.98%、40.67%,其与最终精密钟差的符合程度显著 增强 。     

基于机器学习的卫星姿态控制律设计

传统的优化算法只能针对给定控制律的指定参数进行优化.机器学习的方法,不仅进化参数,而且可以按给定准则进化出卫星姿态控制律表达式.建立卫星姿态动力学模型及敏感器和执行机构的原理与误差模型,构成含噪声的单自由度的闭环数字仿真系统.统计一段时间内仿真结果的姿态精度和稳定度作为该控制律的适应度函数.针对姿态控制律选定合适的函数...     

珠海一号高光谱影像云检测算法

珠海一号高光谱卫星具有高空间、高光谱、高时间分辨率等特点,有效推动了高光谱遥感数据在农林环境、自然资源探测等领域的广泛应用,其中高精准的云检测是遥感数据预处理的关键步骤。如何对高光谱图像有效特征提取并克服传统云检测方法特征复杂、算法参数多、计算量大、鲁棒性差等缺陷,是高光谱云检测研究的关键问题。为此,提出了一种多尺度特征融合的U型结构网络,模型首先利用残差模块进行特征编码,并将编码进行多尺度融合,在网络的跳跃连接处引入了坐标注意力机制提取有用信息,最后通过残差解码得到输出结果。实验前首先利用主成分分析降维,将高光谱数据重构为4维影像数据,然后通过数据标注与数据增强,建立珠海一号高光谱影像云检测数据集。采用了38-Cloud云数据集训练初始网络参数,随后利用构建的数据集进行迁移学习。实验结果表明,对于所建立的珠海一号高光谱云检测数据集,所提方法的像素准确率达到92.28%,可以实现高精度的高光谱遥感影像云检测。     

基于半参数回归模型的双星系统定轨算法及精度分析

天基测控系统是航天测控的一个发展趋势.给出了双星定位系统的定轨原理;建立了基于半参数回归的双星系统定轨模型,包括对卫星轨道摄动误差的基函数表示和观测残差的函数拟合等;给出了基于半参数回归的轨道估计算法及计算步骤;并从理论上分析了基于半参数回归模型的轨道估计算法能有效的消除非线性因素对参数估计性能和精度的影响,其定轨精度优于经典的最小二乘处理算法;最后通过对卫星仿真观测数据的处理以及卫星定轨精度的分析,表明该算法确实有效,在相同仿真条件下,定轨位置精度和速度精度分别提高了41.5%和41.3%.