本发明属于导航技术，涉及对星图识别方法的改进。其特征在于，步骤如下：构造导航星特征模式；构造邻星库；构造自组织网络；训练自组织网络；星图识别。本发明识别过程简单，计算量小，快速性好，识别效率高。
1.一种神经网络星图识别方法，其特征在于，步骤如下：
将导航星表中的每颗恒星依次作为主星，查找其周围邻域内3颗邻星，把这4颗星作为一组，按下述步骤提取出该主星的特征模式：
1.1.1、确定待选邻星；对于任意一颗主星S1，计算其周围所有邻星到主星的角距Ri，i＝1，2，......n，n为主星S1周围所有邻星的数量，将角距位于Rt＜Ri＜RFOV范围内的星作为待选邻星，RFOV为星敏感器的视场范围，Rt大于0.5°；
1.1.2、确定构造特征模式的邻星；将所有待选邻星按照与主星S1的角距由小到大排序，选择离主星S1最近的3颗星S2、S3、S4作为构造特征模式的邻星；
1.1.3、构造主星S1的特征模式；计算主星S1和邻星S2、S3、S4的方向矢量b1、b2、b3、b4，计算方法如下：T
bi＝[cosαicosδi cosαisinδi sinδi]，bi是主星S1和邻星S2、S3、S4的方向矢量，i＝1，2，3，4，αi为第i颗星的赤经；
模式为6维向量，计算并构造导航星表中所有导航星的特征模式后存储到导航星表中；
将每颗主星S1和周围的邻星S2、S3、S4的索引号都存储在一个数据库中，称为邻星库；
用于星图识别的自组织网络有两层，第一层是输入层，节点数与导航星特征模式的维数相同，即6个节点；第二层为输出层，节点数和类数相同，类数即所有导航星的个数，为n+1个；每个输出层节点都和输入层节点相连接，输入层和输出层各个节点相连接的权值称为权值向量；
对于星图识别，将每颗导航星视为输出层的一个类别，而每一个类别的特征模式只有一个，所以将各个导航星的特征模式赋值给输出层对应节点的权值向量，就完成了自组织网络的训练；
1.5.1、确定待识别主星T1；得到一幅观测星图后，计算出观测星图中的各颗星到图像中心点的距离，然后根据该距离由小到大将各颗星进行排序，选择该距离最小的星作为待识别主星T1；
1.5.2、确定构造特征模式的邻星；计算待识别主星T1周围邻星到主星T1的角距，以角距最小的3颗邻星T2、T3、T4为构造特征模式的邻星；
1.5.3、构造待识别主星T1的特征模式；计算待识别主星T1和邻星T2、T3、T4的方向矢量r1、r2、r3、r4，计算方法如下：ri是待识别主星T1和邻星T2、
1.5.4、识别待识别主星T1；将patr输入到训练好的自组织网络中，查找网络输出为1的节点，该节点的序号所确定的导航星即为待识别主星T1所对应的导航星；
1.5.5、识别邻星T2、T3、T4；在邻星库中查找该待识别主星T1所对应的导航星的3颗邻星的星号，该3颗邻星分别与邻星T2、T3、T4对应。
一种神经网络星图识别方法
技术领域
[0001] 本发明属于导航技术，涉及对星图识别方法的改进。
背景技术
[0002] 在各种星图识别方法中，采用“星模式”的方法是一个典型的模式识别问题。在这种情况下，每颗导航星都具有独一无二的模式而自成一类，对于每类只有一个特征向量，识别的任务就是将观测星的归到与之模式最相似的导航星所在的类别中来。《基于神经网络技术的星图识别方法》(科学通报，2003年09期，李春艳)提到了一种采用神经网络的星图识别方法。这种方法识别过程复杂，需要构造多个子网分别进行训练，训练量大。另外，识别时需要增加一个分类器用于判断使用哪个子网进行识别，识别过程复杂，计算量大，快速性差。此外，在构造特征模式的时候，使用了划分栅格方法，每次只能识别出一颗星，识别效率低。
发明内容
[0003] 本发明的目的是：提出一种识别过程简单、计算量小、快速性好、识别效率高的神经网络星图识别方法。
[0004] 本发明的技术方案是：一种神经网络星图识别方法，其特征在于，步骤如下：
[0005] 1、构造导航星特征模式；
[0006] 将导航星表中的每颗恒星依次作为主星，查找其周围邻域内3颗邻星，把这4颗星作为一组，按下述步骤提取出该主星的特征模式：
[0007] 1.1、确定待选邻星；对于任意一颗主星S1，计算其周围所有邻星到主星的角距Ri，i＝1，2，......n，n为主星S1周围所有邻星的数量，将角距位于Rt＜Ri＜RFOV范围内的星作为待选邻星，RFOV为星敏感器的视场范围，Rt大于0.5°；
[0008] 1.2、确定构造特征模式的邻星；将所有待选邻星按照与主星S1的角距由小到大排序，选择离主星S1最近的3颗星S2、S3、S4作为构造特征模式的邻星；
[0009] 1.3、构造主星S1的特征模式；计算主星S1和邻星S2、S3、S4的方向矢量b1、b2、b3、b4，计算方法如下：
[0010] bi＝[cosαi cosδi cosαi sinδi sinδi]T，bi是主星S1和邻星S2、S3、S4的方向矢量，i＝1，2，3，4，
[0011] αi为第i颗星的赤经；
[0012] δi为第i颗星的赤纬；
[0013] 计算并构造主星S1的特征模式该特征模式为6维向量，计算并构造导航星表中所有导航星的特征模式后存储到导航星表中；
[0014] 2、构造邻星库；
[0015] 将每颗主星S1和周围的邻星S2、S3、S4的索引号都存储在一个数据库中，称为邻星库；
[0016] 3、构造自组织网络；
[0017] 用于星图识别的自组织网络有两层，第一层是输入层，节点数与导航星特征模式的维数相同，即6个节点；第二层为输出层，节点数和类数相同，类数即所有导航星的个数，为n+1个；每个输出层节点都和输入层节点相连接，输入层和输出层各个节点相连接的权值称为权值向量；
[0018] 4、训练自组织网络；
[0019] 对于星图识别，将每颗导航星视为输出层的一个类别，而每一个类别的特征模式只有一个，所以将各个导航星的特征模式赋值给输出层对应节点的权值向量，就完成了自组织网络的训练；
[0020] 5、星图识别；
[0021] 5.1、确定待识别主星T1；得到一幅观测星图后，计算出观测星图中的各颗星到图像中心点的距离，然后根据该距离由小到大将各颗星进行排序，选择该距离最小的星作为待识别主星T1；
[0022] 5.2、确定构造特征模式的邻星；计算待识别主星T1周围邻星到主星T1的角距，以角距最小的3颗邻星T2、T3、T4为构造特征模式的邻星；
[0023] 5.3、构造待识别主星T1的特征模式；计算待识别主星T1和邻星T2、T3、T4的方向矢量r1、r2、r3、r4，计算方法如下：
[0024] ri是待识别主星T1和邻星T2、T3、T4的方向矢量，i＝1，2，3，4；
[0025] xi为观测星在图像平面上的横坐标，
[0026] yi为观测星在图像平面上的纵坐标，
[0027] f为星敏感器镜头焦距；
[0028] 计算并构造待识别主星T1的特征模式：
[0029]
[0030] 5.4、识别待识别主星T1；将patr输入到训练好的自组织网络中，查找网络输出为1的节点，该节点的序号所确定的导航星即为待识别主星T1所对应的导航星；
[0031] 5.5、识别邻星T2、T3、T4；在邻星库中查找该待识别主星T1所对应的导航星的3颗邻星的星号，该3颗邻星分别与邻星T2、T3、T4对应。
[0032] 本发明的优点是：识别过程简单，计算量小，快速性好，识别效率高。具体表现在：
[0033] 1、根据主星周围3颗星的分布信息，就可以提取出主星的模式，大大减少了对主星周围邻星数量的要求。
[0034] 2、本发明进行一次识别即可识别出4颗星，大大提高了识别效率。
[0035] 3、在训练网络时，与现有方法需要很大的计算量相比，本发明的计算量很小。
具体实施方式
[0036] 下面对本发明做进一步详细说明。本发明的神经网络星图识别方法，其特征在于，步骤如下：
[0037] 1、构造导航星特征模式；
[0038] 将导航星表中的每颗恒星依次作为主星，查找其周围邻域内3颗邻星，把这4颗星作为一组，按下述步骤提取出该主星的特征模式：
[0039] 1.1、确定待选邻星；对于任意一颗主星S1，计算其周围所有邻星到主星的角距Ri，i＝1，2，......n，n为主星S1周围所有邻星的数量，将角距位于Rt＜Ri＜RFOV范围内的星作为待选邻星，RFOV为星敏感器的视场范围，Rt大于0.5°～1°。
[0040] 1.2、确定构造特征模式的邻星；将所有待选邻星按照与主星S1的角距由小到大排序，选择离主星S1最近的3颗星S2、S3、S4作为构造特征模式的邻星。
[0041] 1.3、构造主星S1的特征模式；计算主星S1和邻星S2、S3、S4的方向矢量b1、b2、b3、b4，计算方法如下：
[0042] bi＝[cosαi cosδi cosαi sinδi sinδi]T，bi是主星S1和邻星S2、S3、S4的方向矢量，i＝1，2，3，4，
[0043] αi为第i颗星的赤经；
[0044] δi为第i颗星的赤纬；
[0045] 计算并构造主星S1的特征模式该特征模式为6维向量，计算并构造导航星表中所有导航星的特征模式后存储到导航星表中。
[0046] 2、构造邻星库；
[0047] 将每颗主星S1和周围的邻星S2、S3、S4的索引号都存储在一个数据库中，称为邻星库；获得主星的索引后，就可以在该库中查找主星周围邻星的索引号。
[0048] 3、构造自组织网络；
[0049] 用于星图识别的自组织网络有两层，第一层是输入层，节点数与导航星特征模式的维数相同，即6个节点；第二层为输出层，节点数和类数相同，类数即所有导航星的个数，为n+1个；每个输出层节点都和输入层节点相连接，输入层和输出层各个节点相连接的权值称为权值向量。
[0050] 4、训练自组织网络；
[0051] 对于星图识别，将每颗导航星视为输出层的一个类别，而每一个类别的特征模式只有一个，所以将各个导航星的特征模式赋值给输出层对应节点的权值向量，就完成了自组织网络的训练。
[0052] 5、星图识别；
[0053] 5.1、确定待识别主星T1；得到一幅观测星图后，计算出观测星图中的各颗星到图像中心点的距离，然后根据该距离由小到大将各颗星进行排序，选择该距离最小的星作为待识别主星T1；
[0054] 5.2、确定构造特征模式的邻星；计算待识别主星T1周围邻星到主星T1的角距，以角距最小的3颗邻星T2、T3、T4为构造特征模式的邻星；
[0055] 5.3、构造待识别主星T1的特征模式；计算待识别主星T1和邻星T2、T3、T4的方向矢量r1、r2、r3、r4，计算方法如下：
[0056] ri是待识别主星T1和邻
