映射二乘向量機及其在天文導航中的應用.pdf

1、本文以發(fā)展支持向量機（supportvectormachines,SVM）方法、推進其在圖像處理中的應用為基礎，以進一步改進星敏感器的性能、提高星敏感器的可靠性為目標，著重從理論和實驗兩個方面展開工作。對如何將SVM應用于像素級圖像處理，進一步提高星敏感器的性能和可靠性進行了深入地研究。研究的主要內(nèi)容包括：(a)映射二乘向量機（mappedleastsquaressupportvectormachines,MLS-SVM）理論與方法；(

2、b)星圖中星的提取方法——極值點法；(c)動態(tài)星等閾值（dynamicvisualmagnitudethreshold,DVMT）導航星選取算法；(d)動態(tài)符號星等閾值（dynamiclabelvisualmagnitudethreshold,DLVMT）導航星三角形信息表的優(yōu)化算法；(e)自主星圖識別算法——B矢量法。具體內(nèi)容如下：（1）提出了MLS-SVM理論和方法。通過映射技術，將具有相同輸入矢量集合但具有不同輸出符號集合的二乘向

3、量機（leastsquaressupportvectormachines,LS-SVM）學習問題轉換成一個常矢量空間中的訓練問題，此時，LS-SVM中優(yōu)化問題的解可以非常容易地獲得。一旦一個矩陣的逆被求出后，就可運用到整個MLS-SVM的求解。這個要求逆的矩陣只取決于輸入矢量集合，與輸出符號集無關。這樣，求解MLS-SVM的計算復雜度降低到了O(N2)，僅只需要一個矩陣乘法操作即可。研究了MLS-SVM的特性和加權MLS-SVM方法。通

4、過對基于MLS-SVM的濾波器頻率響應的分析研究了MLS-SVM的特性。研究表明，MLS-SVM本質上是對圖像信號進行低頻和高頻分解，其中偏移項b對應圖像的低頻部分，乘積之和對應圖像的高頻部分，而支持向量的支持度則是一個高通濾波器對原圖像進行濾波的結果；在稀疏化的LS-SVM中，圖像中的邊緣和精細特征部分的像素最可能成為支持向量；基于高斯核的MLS-SVM的核參數(shù)σ2存在最優(yōu)設置，調整因子γ的取值直接由圖像本身的頻譜特性確定。為了將某種

5、先驗知識引入到MLS-SVM中，提出了加權MLS-SVM方法。討論了MLS-SVM在圖像放大插值和邊緣檢測等圖像處理中的應用方法。（2）提出了基于MLS-SVM的星圖中星的提取方法——極值點法。以基于徑向基核函數(shù)和多項式核函數(shù)相混合的混合核的MLS-SVM對星圖圖像的灰度曲面進行擬合，導出了二階方向導數(shù)算子。根據(jù)極值理論，利用導出的二階方向導數(shù)算子與星圖圖像的卷積運算，可確定位于星圖灰度擬合曲面上的灰度極大值像素，獲得候選導航星中心的初

6、步位置?；诔醪轿恢玫男菆D像素聚類加速了星圖中星的獲取過程。以模擬星圖中星的精確中心位置為參考，定義在不同噪聲條件下測量位置與最近參考位置的距離平方倒數(shù)和的均值為算法性能的評價指標，對MLS-SVM的參數(shù)進行了優(yōu)化。在很大的星敏感器噪聲范圍內(nèi)，不需要參數(shù)的重新調整，極值點法就能夠提供綜合性能很高的星圖中星的提取能力。（3）提出了動態(tài)星等閾值（DVMT）導航星選取算法。通過引入DVMT分布函數(shù)，將傳統(tǒng)星等閾值過濾算法中的靜態(tài)閾值用DVMT

7、代替，建立了一種新的DVMT過濾選擇模式。結果表明，用基于SVM的DVMT導航星選取算法所選取的導航星表，導航星數(shù)量少、分布均勻性好。同時，它還能適應多種任務的導航星選取要求，通用性強。（4）提出了動態(tài)符號星等閾值（DLVMT）導航星三角形信息表的優(yōu)化算法。通過定義導航星三角形的方向和符號星等，研究了導航星三角形的分布情況。引入了DLVMT來實現(xiàn)導航星三角形信息表的優(yōu)化。結果表明，用基于SVM的DLVMT算法所生成的導航星三角形信息表具

8、有導航星三角形數(shù)量少，所需存儲空間小，空間分布均勻性好的特性。（5）提出了一種自主星圖識別算法——B矢量法。這是一種基于三角形整體匹配和小范圍搜索思想的自主星圖識別算法。通過在星圖識別前去除導航星三角形的星間角距的觀測誤差，構建基于B矢量存取方法的E矢量導航星三角形信息表和相應的B矢量，候選導航星三角形的識別是一個小范圍搜索的過程，有效導航星的識別和確認也很快。在不同的噪聲環(huán)境下用不同大小的導航信息庫所做的實驗結果表明，B矢量法是一種性