資源描述：
《基于深度學(xué)習(xí)的空間非合作目標(biāo)姿態(tài)估計(jì)算法設(shè)計(jì).pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、碩士學(xué)位論文基于深度學(xué)習(xí)的空間非合作目標(biāo)姿態(tài)估計(jì)算法設(shè)計(jì)DESIGNOFATTITUDEESTIMATIONALGORITHMFORSPACENON-COOPERATIVETARGETSBASEDONDEEPLEARNING李想哈爾濱工業(yè)大學(xué)2018年6月國(guó)內(nèi)圖書(shū)分類號(hào)：TP181學(xué)校代碼：10213國(guó)際圖書(shū)分類號(hào)：004.8密級(jí)：公開(kāi)工程碩士學(xué)位論文基于深度學(xué)習(xí)的空間非合作目標(biāo)姿態(tài)估計(jì)算法設(shè)計(jì)碩士研究生：李想導(dǎo)師：黃顯林申請(qǐng)學(xué)位：工程碩士學(xué)科：控制工程所在單位：航天學(xué)院答辯日期：2018年6月授予學(xué)位單位：哈爾濱工業(yè)大學(xué)Cl
2、assified?Index:?TP181?U.D.C:?623.4?Dissertation?for?the?Masteral?Degree?in?Engineering?DESIGN?OF?ATTITUDE?ESTIMATION?ALGORITHM?FOR?SPACE?NON‐COOPERATIVE?TARGETS?BASED?ON?DEEP?LEARNINGCandidate：Li?XiangSupervisor：Prof.?Huang?XianlinAcademic?Degree?Applied?for：Master?
3、of?EngineeringSpeciality：Control?Engineering?Affiliation：School?of?Astronautics?Date?of?Defence：June,?2018?Degree‐Conferring‐Institution：Harbin?Institute?of?Technology哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文摘要空間非合作目標(biāo)的信息獲取問(wèn)題在空間對(duì)抗、在軌維護(hù)等領(lǐng)域都具有很高的研究?jī)r(jià)值，探索非合作目標(biāo)的識(shí)別方法也是維護(hù)國(guó)家空天安全的客觀需要，因此對(duì)空間非合作目標(biāo)姿態(tài)識(shí)別方案
4、的研究具有重要意義。本文將通過(guò)深度學(xué)習(xí)方法，運(yùn)用TensorFlow架構(gòu)，實(shí)現(xiàn)一種基于視覺(jué)圖像的姿態(tài)信息識(shí)別算法。本文設(shè)計(jì)一套功能比較完備的空間非合作目標(biāo)識(shí)別算法，實(shí)現(xiàn)輸入一張帶有衛(wèi)星圖像的灰度圖片數(shù)據(jù)，輸出衛(wèi)星姿態(tài)角；或輸入一系列連續(xù)拍攝的圖像數(shù)據(jù)，輸出衛(wèi)星角速度矢量的功能。首先，帶有衛(wèi)星圖像信息的照片，自動(dòng)通過(guò)MSER等圖像數(shù)據(jù)預(yù)處理的算法，進(jìn)行分割、拉伸、灰度標(biāo)準(zhǔn)話，得到299×299像素的標(biāo)準(zhǔn)灰度圖片。再經(jīng)由卷積神經(jīng)網(wǎng)絡(luò)，識(shí)別生成衛(wèi)星的姿態(tài)角信息。還可以通過(guò)輸入一系列連續(xù)的帶有時(shí)間戳的圖像數(shù)據(jù)，分別經(jīng)卷積神經(jīng)網(wǎng)絡(luò)獲取姿
5、態(tài)角數(shù)據(jù)，再通過(guò)回歸分析自動(dòng)求取衛(wèi)星的旋轉(zhuǎn)角速度信息。此外，本文還研究了對(duì)比訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)時(shí)，不同優(yōu)化器結(jié)構(gòu)對(duì)網(wǎng)絡(luò)性能及收斂性的影響，并通過(guò)實(shí)驗(yàn)找到了適用于本課題模型的優(yōu)化器和學(xué)習(xí)率，設(shè)計(jì)了適用于衛(wèi)星姿態(tài)識(shí)別的Loss函數(shù)。通過(guò)TensorFlow架構(gòu)設(shè)計(jì)并實(shí)現(xiàn)了具有42層深度的InceptionV3卷積神經(jīng)網(wǎng)絡(luò)，它首先是5個(gè)卷積層和2個(gè)池化層交替的普通結(jié)構(gòu)，連接3個(gè)Inception模塊組，每個(gè)模塊組內(nèi)包含多個(gè)結(jié)構(gòu)類似的InceptionModule。在達(dá)到較高層數(shù)時(shí)，減小了參數(shù)量，加快了訓(xùn)練效率，縮短了開(kāi)發(fā)周期。在數(shù)據(jù)的
6、收集方面，運(yùn)用3DMax軟件建立模擬衛(wèi)星模型，獲取訓(xùn)練集數(shù)據(jù)并進(jìn)行批量標(biāo)注，生成含有17000張圖片樣本的數(shù)據(jù)集，供卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練之用。在通過(guò)設(shè)置隨機(jī)的亮度和對(duì)比度、增加隨機(jī)噪聲、以及對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化等操作進(jìn)行數(shù)據(jù)增強(qiáng)，相當(dāng)于成倍擴(kuò)大用于網(wǎng)絡(luò)訓(xùn)練的數(shù)據(jù)集樣本數(shù)。本文對(duì)提出的算法進(jìn)行了實(shí)驗(yàn)，經(jīng)驗(yàn)證，本文的算法空間非合作目標(biāo)的識(shí)別中切實(shí)可行有效。關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；非合作目標(biāo)；姿態(tài)角估計(jì)；深度學(xué)習(xí)-I-哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文AbstractTheinformationacquisitionofnon-cooperati
7、vetargetsinspacehashighresearchvalueinspaceconfrontation,onorbitmaintenanceandotherfields.Toexploretherecognitionmethodofnon-cooperativetargetsisalsoanobjectiveneedtomaintainnationalairsecurity.Therefore,itisofgreatsignificancetostudytheattituderecognitionschemeofth
8、espacenon-cooperativetarget.Inthispaper,wewillusedepthlearningmethodandTensorFlowframeworktoachieveagesturerecognitionalgorithmbasedonvisu
