基于光谱及概率神经网络的空间碎片识别

彭 轩， 叶双威， 邵 桢， 蔡红星，石 晶， 谭 勇， 李 军，5

（1.吉林财经大学 应用数学学院，吉林 长春 130117；2.暨南大学 信息科学技术学院，广东 广州 510632；3.长春理工大学 计算机科学技术学院，吉林 长春 130022；4.长春理工大学 理学院，吉林 长春 130022；5.吉林财经大学 管理科学与信息工程学院，吉林 长春 130117）

0 引 言

随着人类航天技术的进步，航天活动对政治、经济、军事等领域产生的影响越来越大。与此同时，由于人类对太空探测活动的增多，使得太空不仅仅存在着工作中的航天器和卫星，还存在着大量的太空垃圾，这些太空垃圾干扰了新的航天任务发射和正常航天器飞行，识别和分类太空空间碎片，对空间活动具有重大意义。目前，对于空间碎片的探测方法主要包括：地基雷达探测技术、图像传感技术或者采用天基空间光学望远镜［1－3］。而地基光谱探测技术是伴随着图像传感技术发展的一种新型探测技术，依据光谱指纹特征，散射光谱含有目标材质和结构信息，是对空间碎片的探测技术新的补充。

文中通过对光电望远镜探测散射光谱，利用5颗空间碎片的散射光谱共777个样本，建立概率神经网络模型，其中518个样本用于训练，剩余259个样本用于模型测试，实现对不同空间碎片的识别和分类。

1 材料和方法

1.1 仪器设备

本实验主要是对碎片做图像跟踪以及散射光谱的探测。实验地点选在长春市净月国家森林公园山顶，远离城市，海拔385m，大气光谱透过率较高，视宁度好。使用的主要实验仪器有：14000pro天文望远镜系统、QHYCCD相机、QE65000光谱仪、计算机。实验原理图如图1所示。

图1 空间碎片探测装置示意图

仪器安装和校准完成后，通过CCD与伺服系统配合，寻找碎片并跟踪，且采集光谱数据。

1.2 样本来源及光谱采集

观测前进行仪器的组装和校准：第1步，组装天文望远镜，确认望远镜对准北极星位置，然后校准寻星镜，让寻星镜对准北极星。第2步，将CCD安装到寻星镜上，启动计算机连接CCD，开启CCD跟踪软件。最后从天文望远镜的扩展数据库中选择一颗行星做跟踪调试，通过软件调节CCD的曝光时间，使图像对比度高，便于观测，记录CCD曝光时间及其灰度值，存储图像。

系统校正完成后，通过CCD寻找碎片并跟踪，进行光谱测量，保存并记录其光谱曝光时间及光谱数据，最后测量并存储相应曝光时间下的天空背景。将探测到的散射光谱进行数据预处理。通过滤除天空背景的干扰，消除仪器传输以及去除大气光谱透过率后，得到最终光谱。

1.3 光谱数据预处理

为了去除来自高频随机噪声、基线漂移、样本不均匀、光散射等影响，需要进行光谱预处理来消除噪声。信号平滑是消除噪声最常用的一种方法，其基本假设是光谱含有的噪声为零均值随机白噪声，若多次测量取平均值可降低噪声，提高信噪比。常用的信号平滑方法有移动平均平滑法和Savitzky－Golay卷积平滑法［4］。

本试验采用的是移动平均平滑法。移动平均平滑法是选择一个具有一定宽度的平滑窗口（2ω＋1），每窗口内有奇数个波长点，用窗口内中心波长点k以及前后ω点计算出测量值的平均值代替波长点的测量值，自左至右依次移动k，完成对所有点的平滑。

采用移动平均平滑法时，平滑窗口宽度是一个重要参数，若窗口宽度太小，平滑去噪效果将不佳，若窗口宽度太大，进行简单求均值运算，会在对噪声进行平滑的同时也将平滑掉有用的信息，造成光谱信号的失真。

数据归一化方法是神经网络预测前对数据常做的一种处理方法。数据归一化处理把所有的数据转化为［0，1］之间的数，其目的是取消各维数据间数量级差别，避免因为输入输出数据数量级差别较大而造成网络预测误差较大。常用的归一化方法有矢量归一化、最大最小归一化等。

本实验采用最大最小法，函数形式如下：

式中：xmin——数据序列中的最小数；

xmax——序列中的最大数。

本实验数据经过移动平均平滑法（窗口宽度设为5，即ω＝2）和最大最小归一化预处理后，光谱图有了明显的效果。其光谱对比如图2所示。

图2中横坐标为波长范围100～1 000nm，纵坐标为光谱吸光率，从图2中可以看出，不同的空间碎片光谱图有明显区别。

1.4 概率神经网络

径向基概率神经网络（Radial Basis Probabilistic Neural Networks，RBPNN）［5－6］利用了径向基函数神经网（Radial Basis Function Neural Networks，RBFNN）［7］，考虑样本集中模式交错影响及概率神经网络（Probabilistic Neural Networks，PNN）［8］实时训练的特点，概率神经网络由输入层、隐含层、求和层和输出层组成，结构如图3所示。

图2 光谱对比图

图3 PNN网络的结构

第1层为输入层，用于接收来自训练样本的值，将数据传递给隐含层，神经元个数与输入向量长度相等。第2层隐含层是径向基层，每一个隐含层的神经元节点拥有一个中心，该层接收输入层的样本输入，计算输入向量与中心的距离，最后返回一个标量值，神经元个数与输入训练样本个数相同。向量x输入到隐含层，隐含层中第i类模式的第j神经元所确定的输入／输出关系由下式定义：

式中：d——样本空间数据的维数；

xij——第i类样本的第j个中心；

M——训练样本中的总类数。

求和层把隐含层中属于同一类的隐含层神经元的输出做加权平均：

式中：vi——第i类类别的输出；

L——第i类的神经元个数。

求和层的神经元个数与类别数M相同。

输出层取求和层中最大的一个作为输出的类别：

在实际计算中，输入层的向量先与加权系数相乘，再输入到径向基函数中进行计算：

假定x和w均已标准化成单位长度，然后对结果进行径向基运算exp（（Zi－1）／σ2），这相当于公式

式中：σ——平滑因子，对网络性能起着至关重要的作用。

2 实验结果及分析

直接对5种不同的空间碎片光谱，在199～994nm间取1 044个对应波长的强度值，共有777个样本数据x1，x2，…，x777，每个样本是长度为1 044的列向量xi，利用3位二进制编码方式标记样本的种类，即以000，001，010，011，100表示不同空间碎片作为概率神经网络的输出。其中样本数据的作为训练样本数据，建立不同空间碎片的训练模型。样本数据的作为测试样本数据，得到最终的预测值。

概率神经网络输入层神经元个数为1 044，综合考虑神经元的个数和网络性能，反复尝试后，概率函数的散布（spread）常数取为1。

5个空间碎片的辨识见表1。

由表1可知，应用上述训练好的概率神经网络进行识别预测。对5个空间碎片的识别率分别为97.01%、100%、100%、100%、100%，总识别准确率为99.23%，结果表明，该方法对不同空间碎片的识别有着很好的效果。

表1 5个空间碎片的辨识

3 结 语

建立了空间碎片测试装置，监测了部分空间碎片的光谱，获得了777个样本数据。通过移动平均平滑和归一化对光谱数据进行预处理，再采用PNN神经网络的方法，建立对不同空间碎片的识别模型，模型具有很高的识别精确度，对未知空间碎片的辨识度达到了99.23%，说明基于概率神经网络对预处理后的空间碎片光谱数据分类识别是可行的。

［1］ 陈浙泊.空间多碎片跟踪系统及碎片轨迹识别技术［D］.杭州：浙江大学，2004.

［2］ 祁先锋.空间碎片观测综述［J］.中国航天，2005，7（7）：24－26.

［3］ 万玉柱，宋晖，康志宇，等.基于空间光学探测的空间碎片星等特性分析研究［J］.宇航学报，2009，30（6）：2292－2296.

［4］ Li Zhixiong，Yan Xinping，Yuan Chengqing，et al.Fault detection and diagnosis of a gearbox in marine propulsion systems using bispectrum analysis and artificial neural networks［J］.Journal of Marine Science and Application，2011，10：17－24.

［5］ Huang D S.Radial basis probabilistic neural networks：model and application［J］.International Journal of Patern Recognition and ArtificialIntelligence，1999，13（7）：1083－1101.

［6］ Pal S，Biswas P K，Abraham A，et al.Face recognition using interpolated bezier curve based representation［C］／／International Conference on Information Technology：Coding and Computing.2004（1）：45.

［7］ Uzkent B，Barkana B D，Yang J，et al.Automatic environmental noise source classification model using fuzzy logic［J］.Expert Systems with Applications，2011，38：8751－8755.

［8］ 黄德双.神经网络模式识别系统理论［M］.北京：电子工业出版社，1996.