بخشی از مقاله
چکیده
با توجه به اهمیت ناوبری اتوماتیک سکوهای پرنده و با در نظر گرفتن مشکلات مطرح در سیستم های ناوبری GPS و IMU، همواره نیاز به سیستم های ناوبری و کمک ناوبری مستقل و یا مکمل این سیستم ها احساس می شود . ناوبری سکوهای پرنده با استفاده از اطلاعات تصویری گزینه مناسبی برای این سیستم ها می باشد .در این راستا، استفاده از اطلاعات تصویری ستارگان برای ناوبری، منجر به توسعه سیستم های ردیاب ستاره گردیده اند. شبیه سازهای این سیستم ها نقش مهمی در بررسی و ارزیابی الگوریتم های ناوبری پیش از تست های واقعی پرواز ایفا می کنند .
از آنجا که تمامی پارامترهای سنجنده و مختصات ستارگان از پیش معلوم است، می توان این شبیه سازی را برای بررسی صحت و دقت تمامی الگوریتم های مطرح در پردازش داده های ردیاب ستاره، مانند الگوریتم های تعیین مرکز، شناسایی ستاره، و تعیین وضعیت، مورد استفاده قرار داد. الگوریتم پیشنهادی در این مقاله الگوریتم شبکه عصبی توسط اتوماتانهای یادگیر سلولی می باشد.
ابن الگوریتم از یک اتومان یادگیر مهاجرت اشیاء - بعنوان یک ابزار جستجوی عمومی - و الگوریتم یادگیری انتشار خطا به عقب استفاده میکند و در ضمن آموزش، تعداد واحدهای مخفی یک شبکه سه لایه را تعیین مینماید. در این روش بدلیل استفاده از روش های جستجوی عمومی - از روی کاتالوگ - ، امکان گرفتاری در حداقل های فضای ساختارها کاهش مییابد.
.1 مقدمه
امروزه از ابزارهای متعددی برای مشخص کردن وضعیت ماهواره ها در فضا استفاده می شود که در این میان سیستم های تعیین موقعیت جهانی - - GPS به طور گسترده برای اهداف ناوبری مورد استفاده قرار می گیرند، اما این سیستم ها آسیب پذیر میباشند و نقاط ضعف متعددی دارند . اجزاء فضایی آنها در معرض حمله دشمن میباشد و سیستم ممکن است دچار پارازیت شود .همچنین، عدم پوشش جامع و امکان قطع سیگنال، استفاده از آن ها را با مشکلات و محدودیت های متعددی مواجه ساخته است .
سیستم ناوبری اینرسی - - INS ، نکات ضعف سیستم GPS را تا حدی کاهش می دهد، ولی خطاهای آن در طول زمان به صورت تجمعی افزایش یافته و از این رو، در دوره های زمانی طولانی دقیق نیست . خطاهای این سیستم ممکن است با نرخی در حد 1 ثانیه کمانی در ساعت تا 1 دقیقه کمانی درساعت تجمع یابد. بنابراین استفاده از روش های جایگزین که معایب و محدودیت های ابزارهای قدیمی را برطرف کرده باشد ضروری بنظر می سد در این میان یکی از ابزارهای اندازه گیری موقعیت در فضاپیماها سنسور ردیاب ستاره است که بدلیل دقت بالا استفاده از این وسیله روز به روز درحال افزایش است که البته رفتارهای دینامیکی، هنوز بعنوان یکی از قیود این سنسورها بشمار می رود.
ازجمله معایب این سنسورها ظهور لکه در تصاویر اخذ شده از آسمان و پراکنده شدن پیکسل های نوری مربوط به ستاره می باشد که دلیل اصلی این پدیده عکسبرداری در سرعت های خطی و زاویه ای بالا است. برای حل این مشکل میتوان به شناسایی دقیق ستاره پرداخت، البته الگوریتمهای بسیاری برای انجام این کار پیشنهاد شده است. الگوریتم های شناسایی ستاره به دو دسته، طبقه بندی می شوند: دسته اول تمایل به تشخیص ستاره از طریق تناظر زیر گراف دارند. دسته دوم تشخیص ستاره را یک مسئله ی شناسایی الگو در نظر می گیرند.
در دسته اول، با ستارگان مانند رأس های یک گراف رفتار می شود که گوشه ها، مشابه جداساز زاویه ای بین ستارگان همسایه هستند. این الگوریتم ها، از قبیل الگوریتم چندضلعی و الگوریتم تطبیق گروه، بیشتر از فاصله جفت ستارگان برای شناسایی استفاده می کنند. در دسته دوم، به هر ستاره یک الگوی مناسب نسبت داده می شود که می تواند توسط میدان ستاره مجاور، تعیین شود. الگوریتم مشبک ، الگوریتم شبکه ی عصبی و الگوریتم ژنتیک از این دسته می باشند. الگوریتم پیشنهادی در این مقاله الگوریتم شبکه عصبی توسط اتوماتانهای یادگیرمی باشد.
ابن الگوریتم از یک اتومان یادگیر مهاجرت اشیاء - بعنوان یک ابزار جستجوی عمومی - و الگوریتم یادگیری انتشار خطا به عقب استفاده می کند و در ضمن آموزش، تعداد واحدهای مخفی یک شبکه سه لایه را تعیین می نماید. در این روش بدلیل استفاده از روش های جستجوی عمومی - از روی کاتالوگ - ، امکان گرفتاری در حداقل های فضای ساختارها کاهش مییابد. در این الگوریتم، آموزش از یک شبکه عصبی سه لایه بزرگ شروع شده و اتوماتان یادگیر با افزودن و کاستن واحدهای مخفی، تعداد واحدهای مخفی این شبکه را تعیین می کند.
در این مقاله از اتوماتان های مهاجرت اشیاء و الگوریتم یادگیری انتشار خطا به عقب برای تعیین ساختار شبکه استفاده می شود. اتوماتان های یادگیر بعنوان یک ابزار جستجوی عمومی، زمان کارایی بالایی را از خود نشان می دهدکه فضایی را که آنها جستجو می کنند بزرگ باشد. در روش استفاده از شبکه های عصبی، بعد از آموزش دادن شبکه، ساختار شبکه شامل اطلاعات ستاره ها و میدان های ستاره در وزن های هر پیوند عنصر پردازش کننده می باشد. استفاده از شبکه های عصبی می تواند باعث کاهش زمان پردازش، تقریبا مستقل از وضعیت اشاره گر حسگر می شود. همچنین استفاده از یک ساختار شبکه ای مناسب سبب ذخیره فشرده تر اطلاعات مرجع نسبت به پایگاه داده کلاسیک می شود.
.2 ردیابی ستاره
در واقع یک ردیاب ستارهمعمولاً دارای دو حالت عملکردی پایه جستجو و ردیابی است .اختلاف میان این دو حالت، در فراهم بودن برآوردی ازاطلاعات وضعیتی سکو میباشد . حالت جستجو، که حالت گم شده در فضا نیز نامیده می شود، در هنگام راه اندازی اولیه ردیاب ستاره اجرا می گردد. اطلاعات بدست آمده از وضعیت سکو در حالت جستجو، الگوریتم را در برآورد وضعیت متناظر با تصاویر متوالی بعدی یاری می نماید .این روند، در حالت ردیابی صورت می گیرد با توجه به پیچیدگی های مطرح در ،حالت جستجو و سطح بالای دقت و کارایی مورد نیاز در این حالت، تمرکز اصلی تحقیقات مطرح در ردیاب های ستاره بر روی آن قرار گرفته است . روش های جستجومعمولاً از سه گام اصلی تشکیل میگردند :
تعیین مراکز ستاره - حذف نویز از تصویر - ، شناسایی ستاره - نسبت دادن یک شناسه کاتالوگ واحد یا شناسه اشتباه به هر ستاره - ، محاسبه وضعیت. هدف از پژوهش برروی تعیین وضعیت ماهواره، شناخت اختلالات و اغتشاشاتی همچون تار شدن تصویر ستاره و یا کشیدگی و تیرگی در تصویر به سبب عکسبرداری درحال حرکت فضاپیما که در برخی از موارد ممکن است این تصویربرداری در سرعت های خیلی بالا اتفاق بیفتد و همچنین ارائه الگوریتمی جامع برای مرتفع ساختن این مشکل می باشد.
برای حل این مشکل میتوان به شناسایی دقیق ستاره پرداخت. برای رفع این مشکل می بایست باعث کاهش زمان پردازش، تقریبا مستقل از وضعیت اشاره گر حسگر را نیز در نظر گرفت و امکان گرفتاری در حداقل های فضای ساختارها را کاهش داد.، که در این مقاله تمام این موارد مورد ارزیابی قرار میگیرد. الگوریتم پیشنهادی در این مقاله الگوریتم شبکه عصبی توسط اتوماتانهای یادگیرمی باشد.
ابن الگوریتم از یک اتومان یادگیر مهاجرت اشیاء - بعنوان یک ابزار جستجوی عمومی - و الگوریتم یادگیری انتشار خطا به عقب استفاده می کند و در ضمن آموزش، تعداد واحدهای مخفی یک شبکه سه لایه را تعیین می نماید. در این روش بدلیل استفاده از روش های جستجوی عمومی - از روی کاتالوگ - ، امکان گرفتاری در حداقل های فضای ساختارها کاهش مییابد. در این الگوریتم، آموزش از یک شبکه عصبی سه لایه بزرگ شروع شده و اتوماتان یادگیر با افزودن و کاستن واحدهای مخفی، تعداد واحدهای مخفی این شبکه را تعیین می کند.
در این مقاله از اتوماتان های مهاجرت اشیاء و الگوریتم یادگیری انتشار خطا به عقب برای تعیین ساختار شبکه استفاده می شود. اتوماتان های یادگیر بعنوان یک ابزار جستجوی عمومی، زمان کارایی بالایی را از خود نشان می دهدکه فضایی را که آنها جستجو می کنند بزرگ باشد. در روش استفاده از شبکه های عصبی، بعد از آموزش دادن شبکه، ساختار شبکه شامل اطلاعات ستاره ها و میدان های ستاره در وزن های هر پیوند عنصر پردازش کننده می باشد.
استفاده از شبکه های عصبی می تواند باعث کاهش زمان پردازش، تقریبا مستقل از وضعیت اشاره گر حسگر می شود. همچنین استفاده از یک ساختار شبکه ای مناسب سبب ذخیره فشرده تر اطلاعات مرجع نسبت به پایگاه داده کلاسیک می شود. سپس توسط علم پردازش تصویر، تصاویر دریافتی را پردازش می کنیم. جعفر روشنی یان و همکارانش در سال [1]1391، به این نتیجه رسیدند که سامانه ستاره یاب، دقیقترین ابزار ناوبری است که قادر است با تطبیق اطلاعات موقعیت ستارگان در دستگاه اینرسی و اطلاعات تصویر، وضعیت جسم پرنده را تعیین کند .
موقعیت ستارگان به همراه مشخصات دیگری از آنها در مجموعهای موسوم به کاتالوگ ستاره گردآوری میشود .هدف از این مقاله، انتخاب یک کاتالوگ ستاره برای استفاده در یک سامانه ستاره یاب نمونه بوده است. بدین منظور ابتدا، انواع کاتالوگ-های ستاره کردند، سپس معیارهای مختلفی برای انتخاب کاتالوگ ستاره تعیین شده و به هر یک از کاتالوگهای مورد بررسی امتیازی تعلق قرار دادند .در ادامه با وزندهی مناسب به معیارهای معرفی شده -با توجه به ضرورتهای سامانه ستارهیاب مورد نظر و جمع امتیازات کاتالوگ مناسب انتخاب کردند.
معصومه حمیدی و فرهاد صمدزادگان در سال 1393 [2]، توانستند در این تحقیق، الگوریتمی به منظور تناظریابی ستاره های مشاهده شده توسط ردیاب ستاره ای با ستاره های موجود در کاتالوگ ستاره ای بر مبنای روند رأی گیری هندسی ارائه دهند .در این الگوریتم یک زوج از ستاره های موجود در کاتالوگ به یک زوج از ستاره های مشاهده شده د ر تصویر، در صورت تشابه فواصل آ نها، رأی خواهد داد .
از آنجا که فاصله زاویه ای یک رابطه متقارن است، در صورت تشابه فاصله ها به هر یک از دو ستاره تصویر دو رأی تعلق خواهد گرفت . در هر بار تکرار فرآیند رأی گیری، شناسه هر ستاره تصویر متناظر با شناسه ستاره ای از کاتالوگ قرار داده خواهد شد که بیشترین تعداد آراء را کسب کرده باشد .نتایج حاصل از به کارگیری روش پیشنهادی در شرایط مختلف قرارگیری توجیه سنجنده در فضا و با تغییر مشخصات اپتیکی، بیانگر توانایی بسیار بالای آن در شناسایی ستاره ها می باشد. Benjamin B و همکارانش در سال [3]2009، به بررسی الگوریتم های شناسایی ستارگان پرداختند.
بدین نتیجه رسیدند هنگامی که یک تصویر ستاره واحد در زمان واقعی بدون اطلاعات پیشینی شده امکان پذیر شد، پیشرفت در زمینه Star-ID در جهت بهبود استحکام Star-ID به تشخیص خطا درستاره ها و اندازه گیری ویژگی های آنها امکان پذیر است. Weina Zhangو همکارانش در سال [5] 2012، توانستند با دقت در محل نقطه ستاره ها به شناسایی نقشه ستاره ها بپردازند . تحت شرایط پویا، تصاویر ستاره نه تنها توسط نویزهای مختلف خراب می شوند بلکه با توجه به سرعت زاویه ای سنسور ستاره ها مبهم می شوند.
با توجه به نرخ های مختلف زاویه ای تحت شرایط پویا، یک روش جدید در این مقالهارائه شده است، که شامل یک روش حذف نویز بر اساس آستانه موجک تطبیقی و روش ترمیم بر اساس نرخ زاویه ای بزرگ ارائه شده است . آستانه تطبیقی برای حذف نوفه تصویر ستاره هنگامی که سرعت زاویه ای در محدوده دینامیکی است به تصویب رسیده است. Xinguo Wei و همکارانش در سال [6] 2014، به این نتیجه رسیدند که تحت شرایط کاملا پویا، لکه های ستارهها روی تصویر از ردیاب حسگرها در یک حرکت ستاره در بسیاری از پیکسلها در طول زمان در تشخیص ستاره ، حساسیت را کاهش می دهد و اشتباهات محل ستاره را افزایش میدهد .
