CN102829719A - 一种ccd跟踪系统目标运动特性测量方法 - Google Patents
一种ccd跟踪系统目标运动特性测量方法 Download PDFInfo
- Publication number
- CN102829719A CN102829719A CN2012102936549A CN201210293654A CN102829719A CN 102829719 A CN102829719 A CN 102829719A CN 2012102936549 A CN2012102936549 A CN 2012102936549A CN 201210293654 A CN201210293654 A CN 201210293654A CN 102829719 A CN102829719 A CN 102829719A
- Authority
- CN
- China
- Prior art keywords
- target
- data fusion
- ccd
- neural network
- servo turntable
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种CCD跟踪目标运动特性的测量方法，其特征在于:CCD将目标的脱靶量输出给ELM神经网络数据融合系统，经ELM神经网络数据融合系统中的两个部分即学习训练和数据融合获得伺服转台位置、伺服转台速度和伺服转台的加速度；采用了ELM神经网络对CCD输出目标的脱靶量信息、伺服转台的位置、速度和加速度信息进行数据融合得到跟踪目标的运动特性。其所得到的跟踪目标运动特性可作为前馈控制信号传送给伺服控制器构成共轴跟踪，提高光电跟踪系统的跟踪精度，对于光电跟踪系统伺服控制技术的研究具有积极意义。
Description
技术领域
本发明涉及一种CCD跟踪目标运动特性的测量方法，属于自动控制领域，适用于对光电跟踪伺服控制系统跟踪目标运动特性测量方法的改进。
背景技术
在CCD跟踪系统中，CCD只能输出目标相对视场中心的偏差，即脱靶量，无法得到目标的运动特性（包括目标的位置、速度和加速度）。为了提高CCD跟踪系统的跟踪精度，需要预测目标的运动特性。在工程上采用跟踪架的位置与脱靶量相加得到合成目标空间角位置信息，然后对合成的目标角位置信息进行滤波并预测出目标的角速度和角加速度信息。但是，CCD输出的脱靶量有一定滞后，严重影响了预测滤波的精度。因此，为了得到目标的运动特性，以下两方面的关键问题需解决：1)位置合成时存在的脱靶量滞后问题；2)如何对有延迟的、干扰的合成位置信号采用预测滤波技术预测出精度高的目标运动特性问题。常用的预测方法有有限记忆最小平方滤波和卡尔曼滤波。有限记忆最小平方预测前提是各个记忆点时间间隔一样，但CCD输出脱靶量有一定的延时，且延时的时间并不是一个固定值，因此无法准确得到目标的运动特性。卡尔曼滤波一般需要知道目标的运动统计模型和目标的距离信息，而CCD跟踪系统无法提供目标的距离信息，且跟踪目标的多样性和目标的机动性越来越大，无法建立一个适合于多种目标的运动模型。
发明内容
本发明的目的是提供一种CCD跟踪目标运动特性的测量方法，采用了ELM（Extreme Learning Machine）神经网络对CCD输出目标的脱靶量信息、伺服转台的位置、速度和加速度信息进行数据融合得到跟踪目标的运动特性，构成共轴跟踪来提高光电跟踪系统的跟踪精度。
本发明的技术方案是这样实现的：一种CCD跟踪目标运动特性的测量方法，其特征在于: CCD将目标的脱靶量和伺服转台的位置、速度和加速度信息输出给ELM神经网络数据融合系统，经ELM神经网络数据融合系统中的两个部分即学习训练和数据融合获得目标的位置、速度和加速度信息；其具体方法如下： 1）在学习训练过程中，ELM神经网络数据融合系统对临近当前时刻的历史数据进行学习训练，也就是通过分析目标的历史运动特性建模的过程；首先确定输入矩阵和输出矩阵；其中，输入信息包括光电跟踪系统设备自身的运动状态和目标的脱靶量；输出量指历史时刻目标的位置及其运动信息，由脱靶量和跟踪架位置信息合成后，经8次多项式拟合得到。2）在数据融合过程中，根据学习训练得到的目标模型对当前时刻目标脱靶量和转台位置、速度和加速度信息进行数据融合得到跟踪目标的运动信息。随着跟踪时间的增加，学习过程也不断根据最新的历史数据学习训练，目标的模型也随着临近当前时刻历史数据的变化而不断变化。
所述的ELM神经网络数据融合系统的处理器是以TMS320F2812为核心。
所述ELM神经网络数据融合系统中的神经元个数等于学习训练样本的个数。
所述的伺服转台位置信息由安装在伺服转台电机轴上的光电编码器获得。
所述的伺服转台速度信息由安装在伺服转台电机轴上的光电编码器得到的位置信息经差分后获得。
所述的伺服转台加速度信息由安装在伺服转台上的角加速度传感器获得。
本发明的积极效果是：由于本发明不需要跟踪目标的运动模型，克服了KALMAN滤波卡尔曼滤波一般需要知道目标的运动统计模型和目标的距离信息等缺点。所得到的跟踪目标运动特性可作为前馈控制信号传送给伺服控制器构成共轴跟踪，提高光电跟踪系统的跟踪精度，对于光电跟踪系统伺服控制技术的研究具有积极意义。
附图说明
图1为本发明CCD跟踪目标特性测量示意图。
图2 ELM神经网络学习训练示意图。
图3 ELM神经网络数据融合示意图。
图4.伺服控制系统原理图。
图5 ELM神经网络数据融合系统流程图。
图6 跟踪误差曲线。
具体实施方式
下面结合附图对本发明作进一步说明：如图1所示，一种CCD跟踪目标运动特性的测量方法，包括有：ELM神经网络数据融合系统（包括学习训练和数据融合两个部分）、CCD输出目标脱靶量、伺服转台位置、伺服转台速度、伺服转台的加速度。
ELM神经网络数据融合系统流程图如图5所示,其中光电探测器的采样周期T=0.02秒，滞后时间 =0.00275秒；转台位置、速度和加速度信号的采样周期为T=0.00125秒， ELM系统学习训练和数据融合的周期选择为0.02秒；首先把转台的位置信息人为延迟19个采样时刻和脱靶量合成得到目标的位置信息，并通过8次多项式拟合得到历史时刻（k-16，k-15，…，k-1）的目标位置，通过微分得到目标的速度和加速度；然后和在历史时刻（k-16，k-15，…，k-1）目标脱靶量和转台位置、速度和加速度进行学习训练行得到ELM神经网络系统进行数据融合需要的加权矩阵；最后由学习训练得到的加权矩阵和当前时刻目标脱靶量及转台位置、速度及加速度进行数据融合得到当前时刻目标位置、速度和加速度。ELM神经网络数据融合系统包括学习训练（如图2所示）和数据融合（如图3所示）两个部分。ELM神经网络对临近当前时刻的历史数据进行学习训练，也就是通过分析目标的历史运动特性建模的过程。在学习训练过程中，首先确定输入矩阵和输出矩阵。其中，输入信息包括光电跟踪系统设备自身的运动状态和目标的脱靶量；输出量指历史时刻目标的位置及其运动信息，由脱靶量和跟踪架位置信息合成后，经多项式拟合得到。设当前时刻为
，光电跟踪设备的角位置为
，速度为
，加速度为，光电探测器输出的脱靶量为。输入矩阵和输出矩阵如图2中的X和Y所示。其中，学习样本的个数选为16个。输入层与隐含层间的连接权值ω和隐含层神经元的偏置b由系统随机产生，经过学习训练得到隐含层与输出层之间的权值矩阵β。
由当前时刻光电探测器输出的脱靶量和跟踪架的位置、速度和加速度信息，结合由学习训练过程中得到的输入层与隐含层间的连接权值、隐含层神经元的偏置和隐含层与输出层之间的权值矩阵，经数据融合可以得到目标的位置、速度和加速度。
随着跟踪时间的增加，学习过程也不断根据最新的历史数据学习训练，因此目标的模型也随着临近当前时刻历史数据的变化而不断变化。
为减少ELM神经网络数据融合系统的计算量，以满足光电跟踪系统的实时性要求，神经元的个数选为16个。
为验证本专利对CCD测量目标运动特性方法的有效性，基于光电跟踪系统对速度为50°/s，加速度为30°/s2的目标做了跟踪试验。其中，伺服系统的原理图如图4所示。ELM神经网络数据融合系统流程图如图5所示，由于光电探测器输出的脱靶量滞后于转台的位置信息，因此把转台位置人为延迟再和脱靶量合成得到历史时刻目标真实位置，由位置信息经过多项式拟合并进行微分得到历史时刻目标的运动信息，经ElM神经网络学习训练和数据融合得到目标当前时刻的运动信息。实验结果如图6和表1所示，其中，图6中，图a式是位置、速度环双闭环控制得到的跟踪误差；图b是ELM神经网络数据融合后得到目标位置、速度和加速度构成的共轴跟踪得到的跟踪误差；图c是脱靶量作为位置误差，并结合数据融合后得到的目标速度、加速度构成的共轴跟踪得到的跟踪误差，由图6和表1可以出，由ELM神经网络数据融合系统得到目标速度和加速度信息实现共轴跟踪和位置、速度双闭环控制相比，系统的跟踪精度提高了大约25倍。
Claims (6)
1.一种CCD跟踪目标运动特性的测量方法，其特征在于: CCD将目标的脱靶量输出给ELM神经网络数据融合系统，经ELM神经网络数据融合系统中的两个部分即学习训练和数据融合获得伺服转台位置、伺服转台速度和伺服转台的加速度； 1）在学习训练过程中，ELM神经网络数据融合系统对临近当前时刻的历史数据进行学习训练，也就是通过分析目标的历史运动特性建模的过程；首先确定输入矩阵和输出矩阵；其中，输入信息包括光电跟踪系统设备自身的运动状态和目标的脱靶量；输出量指历史时刻目标的位置及其运动信息，由脱靶量和跟踪架位置信息合成后，经8次多项式拟合得到；2）在数据融合过程中，根据学习训练得到的目标模型对当前时刻目标脱靶量和转台位置、速度和加速度信息进行数据融合得到跟踪目标的运动信息；随着跟踪时间的增加，学习过程也不断根据最新的历史数据学习训练，目标的模型也随着临近当前时刻历史数据的变化而不断变化。
2.根据权利要求1所述的一种CCD跟踪目标运动特性的测量方法，其特征在于所述的ELM神经网络数据融合系统的处理器是以TMS320F2812为核心。
3.根据权利要求1所述的一种CCD跟踪目标运动特性的测量方法，其特征在于所述ELM神经网络数据融合系统中的神经元个数等于学习训练样本的个数。
4.根据权利要求1所述的一种CCD跟踪目标运动特性的测量方法，其特征在于所述的伺服转台位置信息由安装在伺服转台电机轴上的光电编码器获得。
5.根据权利要求1所述的一种CCD跟踪目标运动特性的测量方法，其特征在于所述的伺服转台速度信息由安装在伺服转台电机轴上的光电编码器得到的位置信息经差分后获得。
6.根据权利要求1所述的一种CCD跟踪目标运动特性的测量方法，其特征在于所述的伺服转台加速度信息由安装在伺服转台上的角加速度传感器获得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012102936549A CN102829719A (zh) | 2012-08-17 | 2012-08-17 | 一种ccd跟踪系统目标运动特性测量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012102936549A CN102829719A (zh) | 2012-08-17 | 2012-08-17 | 一种ccd跟踪系统目标运动特性测量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102829719A true CN102829719A (zh) | 2012-12-19 |
Family
ID=47332940
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012102936549A Pending CN102829719A (zh) | 2012-08-17 | 2012-08-17 | 一种ccd跟踪系统目标运动特性测量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102829719A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103759592A (zh) * | 2013-12-20 | 2014-04-30 | 河北汉光重工有限责任公司 | 激光武器高精度转台跟踪技术 |
| US20140358475A1 (en) * | 2013-05-29 | 2014-12-04 | Dassault Systemes | Body Posture Tracking |
| CN111077874A (zh) * | 2019-11-25 | 2020-04-28 | 中国航空工业集团公司洛阳电光设备研究所 | 基于角位置测量的光电探测设备伺服控制系统性能测试方法 |
| CN113125792A (zh) * | 2021-04-22 | 2021-07-16 | 长春工业大学 | 一种用于测量转速的压电-电磁复合式传感装置 |
| CN116147689A (zh) * | 2023-04-14 | 2023-05-23 | 四川中科友成科技有限公司 | 一种外场跟踪器脱靶量延时测试方法及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
-
2012
- 2012-08-17 CN CN2012102936549A patent/CN102829719A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1382997A (zh) * | 2002-06-13 | 2002-12-04 | 上海交通大学 | 基于神经网络的机动目标精确跟踪方法 |
Non-Patent Citations (2)
| Title |
|---|
| 杜杰等: "基于加速度计的光电跟踪系统等效复合控制", 《电光与控制》 * |
| 王虎等: "光电跟踪系统中的伺服控制技术", 《长春工业大学学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140358475A1 (en) * | 2013-05-29 | 2014-12-04 | Dassault Systemes | Body Posture Tracking |
| US10830584B2 (en) * | 2013-05-29 | 2020-11-10 | Dassault Systemes | Body posture tracking |
| CN103759592A (zh) * | 2013-12-20 | 2014-04-30 | 河北汉光重工有限责任公司 | 激光武器高精度转台跟踪技术 |
| CN111077874A (zh) * | 2019-11-25 | 2020-04-28 | 中国航空工业集团公司洛阳电光设备研究所 | 基于角位置测量的光电探测设备伺服控制系统性能测试方法 |
| CN113125792A (zh) * | 2021-04-22 | 2021-07-16 | 长春工业大学 | 一种用于测量转速的压电-电磁复合式传感装置 |
| CN113125792B (zh) * | 2021-04-22 | 2023-01-31 | 长春工业大学 | 一种用于测量转速的压电-电磁复合式传感装置 |
| CN116147689A (zh) * | 2023-04-14 | 2023-05-23 | 四川中科友成科技有限公司 | 一种外场跟踪器脱靶量延时测试方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102829719A (zh) | 一种ccd跟踪系统目标运动特性测量方法 | |
| CN107993257B (zh) | 一种智能imm卡尔曼滤波前馈补偿目标追踪方法及系统 | |
| CN102999048B (zh) | 一种车载动基座光电搜索跟踪转台的伺服控制方法 | |
| CN102385342B (zh) | 虚拟轴机床并联机构运动控制的自适应动态滑模控制方法 | |
| CN107607101B (zh) | 基于干扰观测器的mems陀螺滑模控制方法 | |
| CN104865894B (zh) | 基于统计模型的动梁式龙门机床双驱进给误差补偿方法及模型 | |
| CN108132134A (zh) | 基于风洞自由飞试验的气动导数辨识方法和系统 | |
| CN101841295B (zh) | 一种基于定步长速度测量的直线电机运动控制方法 | |
| CN105858481B (zh) | 基于相平面分析的桥式起重机精准定位在线轨迹规划方法 | |
| CN104062983A (zh) | 一种谐波传动的高精度位置控制系统及方法 | |
| CN102636995A (zh) | 基于rbf神经网络滑模控制微陀螺仪的方法 | |
| CN103557837A (zh) | 可修正传感器安装误差的杆塔倾斜度在线监测方法 | |
| CN107608217B (zh) | 基于复合学习的mems陀螺仪模糊滑模控制方法 | |
| CN110207723B (zh) | 一种光电跟踪仪复合轴控制系统控制精度测试方法 | |
| CN103760921A (zh) | 低精度多个传感器融合的原点精确定位系统及定位方法 | |
| CN103088211B (zh) | 一种测量烧结料层燃烧带位置和温度的方法及装置 | |
| CN201816214U (zh) | 一种流涎法塑膜制备过程中厚度在线检测传感器 | |
| CN103591967A (zh) | 用于光学伺服系统频谱曲线测试的光学Chirp信号生成方法 | |
| CN102830249B (zh) | 一种加速度传感器传递函数的辨识方法 | |
| CN104808493B (zh) | 一种基于延时观测器的汽轮发电机主汽门开度预测控制方法 | |
| CN105721043A (zh) | 基于前馈的遥感卫星地面接收天线伺服控制方法及系统 | |
| CN103884352A (zh) | 光纤陀螺输出延迟时间自动测量的方法及装置 | |
| CN107608216B (zh) | 基于平行估计模型的mems陀螺仪复合学习控制方法 | |
| CN108107882B (zh) | 基于光学运动跟踪的服务机器人自动标定与检测系统 | |
| CN104035328A (zh) | 一种采用干扰估计器的多运动体跟踪控制方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20121219 |