映射二乘向量机及其在天文导航中应用.pdf

摘 要 本文以发展支持向量机（support vector machines, SVM ）方法、推进其在图像处 理中的应用为基础，以进一步改进星敏感器的性能、提高星敏感器的可靠性为目标， 着重从理论和实验两个方面展开工作。对如何将SVM 应用于像素级图像处理，进一 步提高星敏感器的性能和可靠性进行了深入地研究。研究的主要内容包括：(a)映射二 乘向量机（mapped least squares support vector machines, MLS-SVM ）理论与方法；(b) 星图中星的提取方法—— 极值点法；(c)动态星等阈值（dynamic visual magnitude threshold, DVMT ）导航星选取算法；(d)动态符号星等阈值（dynamic label visual magnitude threshold, DLVMT ）导航星三角形信息表的优化算法；(e) 自主星图识别算 法——B 矢量法。具体内容如下： （1）提出了MLS-SVM 理论和方法。通过映射技术，将具有相同输入矢量集合 但具有不同输出符号集合的二乘向量机（least squares support vector machines, LS-SVM ）学习问题转换成一个常矢量空间中的训练问题，此时，LS-SVM 中优化问 题的解可以非常容易地获得。一旦一个矩阵的逆被求出后，就可运用到整个MLS-SVM 的求解。这个要求逆的矩阵只取决于输入矢量集合，与输出符号集无关。这样，求解 MLS-SVM 的计算复杂度降低到了O(N2) ，仅只需要一个矩阵乘法操作即可。 研究了MLS-SVM 的特性和加权MLS-SVM 方法。通过对基于MLS-SVM 的滤波 器频率响应的分析研究了MLS-SVM 的特性。研究表明，MLS-SVM 本质上是对图像 信号进行低频和高频分解，其中偏移项b 对应图像的低频部分，乘积之和对应图像的 高频部分，而支持向量的支持度则是一个高通滤波器对原图像进行滤波的结果；在稀 疏化的LS-SVM 中，图像中的边缘和精细特征部分的像素最可能成为支持向量；基于 2 高斯核的MLS-SVM 的核参数σ 存在最优设置，调整因子γ 的取值直接由图像本身 的频谱特性确定。为了将某种先验知识引入到MLS-SVM 中，提出了加权MLS-SVM 方法。 讨论了MLS-SVM 在图像放大插值和边缘检测等图像处理中的应用方法。 （2 ）提出了基于MLS-SVM 的星图中星的提取方法——极值点法。以基于径向 基核函数和多项式核函数相混合的混合核的 MLS-SVM 对星图图像的灰度曲面进行 拟合，导出了二阶方向导数算子。根据极值理论，利用导出的二阶方向导数算子与星 图图像的卷积运算，可确定位于星图灰度拟合曲面上的灰度极大值像素，获得候选导 I 航星中心的初步位置。基于初步位置的星图像素聚类加速了星图中星的获取过程。以 模拟星图中星的精确中心位置为参考，定义在不同噪声条件下测量位置与最近参考位 置的距离平方倒数和的均值为算法性能的评价指标，对 MLS-SVM 的参数进行了优 化。在很大的星敏感器噪声范围内，不需要参数的重新调整，极值点法就能够提供综 合性能很高的星图中星的提取能力。 （3 ）提出了动态星等阈值（DVMT ）导航星选取算法。通过引入DVMT 分布函 数，将传统星等阈值过滤算法中的静态阈值用DVMT 代替，建立了一种新的DVMT 过滤选择模式。结果表明，用基于SVM 的DVMT 导航星选取算法所选取的导航星表， 导航星数量少、分布均匀性好。同时，它还能适应多种任务的导航星选取要求，通用 性强。 （4 ）提出了动态符号星等阈值（DLVMT ）导航星三角形信息表的优化算法。通 过定义导航星三角形的方向和符号星等，研究了导航星三角形的分布情况。引入了 DLVMT 来实现导航星三角形信息表的优化。结果表明，用基于 SVM 的DLVMT 算 法所生成的导航星三角形