CN110160688B - 一种测量在轨等离子体推力器的推力的方法及系统 - Google Patents
一种测量在轨等离子体推力器的推力的方法及系统 Download PDFInfo
- Publication number
- CN110160688B CN110160688B CN201910434852.4A CN201910434852A CN110160688B CN 110160688 B CN110160688 B CN 110160688B CN 201910434852 A CN201910434852 A CN 201910434852A CN 110160688 B CN110160688 B CN 110160688B
- Authority
- CN
- China
- Prior art keywords
- matrix
- plume
- photo
- dimensional
- thrust
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L5/00—Apparatus for, or methods of, measuring force, work, mechanical power, or torque, specially adapted for specific purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
- Plasma Technology (AREA)
Abstract
本发明公开一种测量在轨等离子体推力器的推力的方法及系统。该方法包括:获取拍摄的待测等离子体推力器的羽流照片;将羽流照片转换成RGB三维矩阵;对RGB三维矩阵进行灰度化处理,得到二维灰度矩阵;将二维灰度矩阵等分为m*n个子矩阵;利用奇异值分解计算每个子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵;对包含m*n个奇异值的特征值矩阵进行归一化处理,得到归一化的特征值矩阵;将归一化的特征值矩阵输入训练好的神经网络模型,得到羽流照片对应的推力。本发明的方法及系统能够实现对空间在轨工作的等离子体推力器的推力检测。
Description
技术领域
本发明涉及等离子体推力器领域,特别是涉及一种测量在轨等离子体推力器的推力的方法及系统。
背景技术
等离子体推力器是一种利用离子和电场产生推力的装置。等离子体推力器的工作原理是先将气体电离,然后用电场力将带电的离子加速后喷出,以离子的反作用力产生向前的推力。目前典型的等离子体推力器包括霍尔推力器和离子推力器。
当前等离子体推力器推力测量主要采用三丝扭摆等地面测量装置,然而地面测量装置的只适合地面相关试验与应用,无法实现对空间在轨工作的等离子体推力器的推力检测。
发明内容
本发明的目的是提供一种测量在轨等离子体推力器的推力的方法及系统,实现对空间在轨工作的等离子体推力器的推力检测。
一种测量在轨等离子体推力器的推力的方法,包括:
获取拍摄的待测等离子体推力器的羽流照片;
将所述羽流照片转换成RGB三维矩阵;
对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵;
将所述二维灰度矩阵等分为m*n个子矩阵;
利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵;
对所述包含m*n个奇异值的特征值矩阵进行归一化处理,得到归一化的特征值矩阵;
将所述归一化的特征值矩阵输入训练好的神经网络模型,得到所述羽流照片对应的推力;所述训练好的神经网络模型是利用已知推力的羽流照片所对应的归一化的特征值矩阵和推力值对神经网络进行训练得到的。
可选的,所述训练好的神经网络模型的训练过程包括:
获取等离子体推力器的多个样本羽流照片和每张所述样本羽流照片对应的推力值;
将每张所述样本羽流照片转换成RGB三维矩阵,得到样本羽流照片的RGB三维矩阵;
对每个所述样本羽流照片的RGB三维矩阵进行灰度化处理,得到样本羽流照片的二维灰度矩阵;
将每个所述样本羽流照片的二维灰度矩阵等分为m*n个子矩阵,得到子矩阵序列;
利用奇异值分解计算每个所述子矩阵序列中各个子矩阵的奇异值,得到样本羽流照片的特征值矩阵;
对每个所述样本羽流照片的特征值矩阵进行归一化处理,得到样本羽流照片的归一化的特征值矩阵;
以各所述样本羽流照片的归一化的特征值矩阵作为神经网络的输入,以各所述样本羽流照片对应的推力值作为神经网络的期望输出,对所述神经网络进行训练,得到训练好的神经网络模型。
可选的,所述将所述羽流照片转换成RGB三维矩阵,具体包括:
利用MATLAB软件提取所述羽流照片的三基色并生成三维矩阵。
可选的,所述对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵,具体包括:
利用rgb2gray函数对所述RGB三维矩阵进行灰度化处理,使所述RGB三维矩阵转换成二维灰度矩阵。
可选的,所述利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵,具体包括:
利用svd函数对所述子矩阵进行奇异值分解,得到每个子矩阵的多个奇异值;
针对每个所述子矩阵,从奇异值分解得到的多个所述奇异值中筛选最大奇异值,得到m*n个最大奇异值构成的特征值矩阵。
本发明还公开一种测量在轨等离子体推力器的推力的系统,包括:
照片获取模块,用于获取拍摄的待测等离子体推力器的羽流照片;
RGB转换模块,用于将所述羽流照片转换成RGB三维矩阵;
灰度处理模块,用于对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵;
矩阵等分模块,用于将所述二维灰度矩阵等分为m*n个子矩阵;
奇异值分解模块,用于利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵;
归一化模块,用于对所述包含m*n个奇异值的特征值矩阵进行归一化处理,得到归一化的特征值矩阵;
推力计算模块,用于将所述归一化的特征值矩阵输入训练好的神经网络模型,得到所述羽流照片对应的推力;所述训练好的神经网络模型是利用已知推力的羽流照片所对应的归一化的特征值矩阵和推力值对神经网络进行训练得到的。
可选的,该系统还包括训练模块,所述训练模块用于对神经网络模型进行训练;
所述训练模块包括:
样本获取单元,用于获取等离子体推力器的多个样本羽流照片和每张所述样本羽流照片对应的推力值;
样本RGB转换单元,用于将每张所述样本羽流照片转换成RGB三维矩阵,得到样本羽流照片的RGB三维矩阵;
样本灰度处理单元,用于对每个所述样本羽流照片的RGB三维矩阵进行灰度化处理,得到样本羽流照片的二维灰度矩阵;
样本矩阵等分单元,用于将每个所述样本羽流照片的二维灰度矩阵等分为m*n个子矩阵,得到子矩阵序列;
样本奇异值分解单元,用于利用奇异值分解计算每个所述子矩阵序列中各个子矩阵的奇异值,得到样本羽流照片的特征值矩阵;
样本归一化单元,用于对每个所述样本羽流照片的特征值矩阵进行归一化处理,得到样本羽流照片的归一化的特征值矩阵;
模型训练单元,用于以各所述样本羽流照片的归一化的特征值矩阵作为神经网络的输入,以各所述样本羽流照片对应的推力值作为神经网络的期望输出,对所述神经网络进行训练,得到训练好的神经网络模型。
可选的,所述RGB转换模块包括:
三基色转换单元,用于利用MATLAB软件提取所述羽流照片的三基色并生成三维矩阵。
可选的,所述灰度处理模块包括:
灰度函数处理单元,用于利用rgb2gray函数对所述RGB三维矩阵进行灰度化处理,使所述RGB三维矩阵转换成二维灰度矩阵。
可选的,所述奇异值分解模块包括:
svd函数处理单元,用于利用svd函数对所述子矩阵进行奇异值分解,得到每个子矩阵的多个奇异值;
最大奇异值筛选单元,用于针对每个所述子矩阵,从奇异值分解得到的多个所述奇异值中筛选最大奇异值,得到m*n个最大奇异值构成的特征值矩阵。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明所公开的测量在轨等离子体推力器的推力的方法及系统,通过采集等离子体推力器的羽流照片,并对羽流照片进行处理从而得到推力值,使得等离子体推力器的推力测量能够摆脱空间的限制,脱离地面从而跟随等离子体推力器实现对空间在轨工作的等离子体推力器的推力检测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明测量在轨等离子体推力器的推力的方法实施例的方法流程图;
图2为拍摄霍尔推力器的羽流照片时相机摆放位置图;
图3为拍摄的霍尔推力器的羽流照片图;
图4为本发明测量在轨等离子体推力器的推力的方法实施例的训练过程流程图;
图5为采用本发明测量在轨等离子体推力器的推力的方法所得到的预测推力与经测量得到的真实推力的对比图;
图6为本发明测量在轨等离子体推力器的推力的系统的系统结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明测量在轨等离子体推力器的推力的方法实施例的方法流程图。
参见图1,该测量在轨等离子体推力器的推力的方法,包括:
步骤101:获取拍摄的待测等离子体推力器的羽流照片。
图2为拍摄霍尔推力器的羽流照片时相机摆放位置图。
参见图2,以霍尔推力器为例,拍摄时,相机垂直霍尔推力器羽流喷射方向,且相机正对真空罐侧面观察窗放置,与霍尔推力器羽流中心线约50cm,从而拍摄羽流侧面照片。图2中,S表示相机与霍尔推力器羽流中心线的距离,α表示拍摄角度。
图3为拍摄的霍尔推力器的羽流照片图。
参见图3,该照片尺寸为6000像素*4000像素。
步骤102:将所述羽流照片转换成RGB三维矩阵。具体方式为:利用MATLAB软件提取所述羽流照片的三基色并生成三维矩阵,计算时间为零点几秒。
步骤103:对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵。具体方式为:利用rgb2gray函数对所述RGB三维矩阵进行灰度化处理,使所述RGB三维矩阵转换成二维灰度矩阵。
步骤104:将所述二维灰度矩阵等分为m*n个子矩阵。
步骤105:利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵。具体方式为:
利用svd函数对所述子矩阵进行奇异值分解,得到每个子矩阵的多个奇异值;针对每个所述子矩阵,从奇异值分解得到的多个所述奇异值中筛选最大奇异值,得到m*n个最大奇异值构成的特征值矩阵。
步骤106:对所述包含m*n个奇异值的特征值矩阵进行归一化处理,得到归一化的特征值矩阵。具体方式为:使用mapminmax函数进行归一化处理,将所述特征值矩阵转化到区间[-1,1]上。
步骤107:将所述归一化的特征值矩阵输入训练好的神经网络模型,得到所述羽流照片对应的推力;所述训练好的神经网络模型是利用已知推力的羽流照片所对应的归一化的特征值矩阵和推力值对神经网络进行训练得到的。
图4为本发明测量在轨等离子体推力器的推力的方法实施例的训练过程流程图。
参见图4,该训练好的神经网络模型的训练过程包括:
步骤201:获取等离子体推力器的多个样本羽流照片和每张所述样本羽流照片对应的推力值;推力值Tr由推力架测量得到。
将羽流照片和推力值划分为训练数据和测试数据。训练数据中样本羽流照片的数量为x。
步骤202:将每张所述样本羽流照片转换成RGB三维矩阵,得到样本羽流照片的RGB三维矩阵。使用imread函数将x张样本羽流照片作为训练数据批量导入到MATLAB软件,MATLAB将图片读取为RGB三维矩阵格式。
步骤203:对每个所述样本羽流照片的RGB三维矩阵进行灰度化处理,得到样本羽流照片的二维灰度矩阵;灰度化处理采用rgb2gray函数。
步骤204:将每个所述样本羽流照片的二维灰度矩阵等分为m*n个子矩阵,得到子矩阵序列。
步骤205:利用奇异值分解计算每个所述子矩阵序列中各个子矩阵的奇异值,得到样本羽流照片的特征值矩阵;奇异值分解采用svd函数,在奇异值分解后,用每个子矩阵的奇异值中的最大值表示该子矩阵,则每张样本羽流照片转化为经二维矩阵压缩后的长度为m*n的一维向量。x张照片对应的奇异值向量就组成了m*n行x列的特征值矩阵。
步骤206:对每个所述样本羽流照片的特征值矩阵进行归一化处理,得到样本羽流照片的归一化的特征值矩阵。归一化处理采用mapminmax函数。归一化处理后,特征值矩阵的每一列奇异值向量均转换到区间[-1,1]上。
步骤207:以各所述样本羽流照片的归一化的特征值矩阵作为神经网络的输入,以各所述样本羽流照片对应的推力值作为神经网络的期望输出,对所述神经网络进行训练,得到训练好的神经网络模型。
训练时,神经网络的输入维度等于每张照片奇异值数量m*n,隐藏层节点数为10,最大训练次数为20000,目标误差E0=2×10-5,学习速率μ=0.015。使用Sigmoid函数激活网络,训练网络权值及阈值。设第i个输入节点的输入值为Xi,输入层第i个节点到隐藏层第j个节点的权值为Wji,阈值为Bi。隐藏层到输出层的权值为Wj,阈值为Bj,隐藏层输出计算公式为:
输出层的计算推力公式为:
全局误差:
E=Tr-T
输出层权值、阈值更新公式为:
Wj=Wj+μ×E×Hj
Bj=Bj+μ×E
隐藏层权值、阈值更新公式为:
Wji=Wji+μ×Xi×Wj×E×Hj×(1-Hj)
Bij=Bij+μ×Wj×E×Hj×(1-Hj)
经过一定的训练次数迭代得到训练好的神经网络。
然后同样按照步骤201~206的方式确定测试数据的归一化的特征值矩阵,然后利用测试数据的归一化的特征值矩阵和推力值对训练好的神经网络进行测试和调试。
图5为采用本发明测量在轨等离子体推力器的推力的方法所得到的预测推力与经测量得到的真实推力的对比图。
参加图5,横坐标表示羽流照片的序号,纵坐标表示推力。由图5可知,采用本发明的测量在轨等离子体推力器的推力的方法所得到的推力值的误差较小,基本接近真实推力值。
图6为本发明测量在轨等离子体推力器的推力的系统的系统结构图。
参见图6,该测量在轨等离子体推力器的推力的系统,包括:
照片获取模块301,用于获取拍摄的待测等离子体推力器的羽流照片;
RGB转换模块302,用于将所述羽流照片转换成RGB三维矩阵;
灰度处理模块303,用于对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵;
矩阵等分模块304,用于将所述二维灰度矩阵等分为m*n个子矩阵;
奇异值分解模块305,用于利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵;
归一化模块306,用于对所述包含m*n个奇异值的特征值矩阵进行归一化处理,得到归一化的特征值矩阵;
推力计算模块307,用于将所述归一化的特征值矩阵输入训练好的神经网络模型,得到所述羽流照片对应的推力;所述训练好的神经网络模型是利用已知推力的羽流照片所对应的归一化的特征值矩阵和推力值对神经网络进行训练得到的。
训练模块308,所述训练模块用于对神经网络模型进行训练;
所述训练模块包括:
样本获取单元,用于获取等离子体推力器的多个样本羽流照片和每张所述样本羽流照片对应的推力值;
样本RGB转换单元,用于将每张所述样本羽流照片转换成RGB三维矩阵,得到样本羽流照片的RGB三维矩阵;
样本灰度处理单元,用于对每个所述样本羽流照片的RGB三维矩阵进行灰度化处理,得到样本羽流照片的二维灰度矩阵;
样本矩阵等分单元,用于将每个所述样本羽流照片的二维灰度矩阵等分为m*n个子矩阵,得到子矩阵序列;
样本奇异值分解单元,用于利用奇异值分解计算每个所述子矩阵序列中各个子矩阵的奇异值,得到样本羽流照片的特征值矩阵;
样本归一化单元,用于对每个所述样本羽流照片的特征值矩阵进行归一化处理,得到样本羽流照片的归一化的特征值矩阵;
模型训练单元,用于以各所述样本羽流照片的归一化的特征值矩阵作为神经网络的输入,以各所述样本羽流照片对应的推力值作为神经网络的期望输出,对所述神经网络进行训练,得到训练好的神经网络模型。
可选的,所述RGB转换模块包括:
三基色转换单元,用于利用MATLAB软件提取所述羽流照片的三基色并生成三维矩阵。
可选的,所述灰度处理模块包括:
灰度函数处理单元,用于利用rgb2gray函数对所述RGB三维矩阵进行灰度化处理,使所述RGB三维矩阵转换成二维灰度矩阵。
可选的,所述奇异值分解模块包括:
svd函数处理单元,用于利用svd函数对所述子矩阵进行奇异值分解,得到每个子矩阵的多个奇异值;
最大奇异值筛选单元,用于针对每个所述子矩阵,从奇异值分解得到的多个所述奇异值中筛选最大奇异值,得到m*n个最大奇异值构成的特征值矩阵。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明所公开的测量在轨等离子体推力器的推力的方法及系统,通过采集等离子体推力器的羽流照片,并对羽流照片进行处理从而得到推力值,使得等离子体推力器的推力测量能够摆脱空间的限制,脱离地面从而跟随等离子体推力器实现对空间在轨工作的等离子体推力器的推力检测。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种测量在轨等离子体推力器的推力的方法,其特征在于,包括:
获取拍摄的待测等离子体推力器的羽流照片;
将所述羽流照片转换成RGB三维矩阵;
对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵;
将所述二维灰度矩阵等分为m*n个子矩阵;
利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵;
对所述包含m*n个奇异值的特征值矩阵进行归一化处理,得到归一化的特征值矩阵;
将所述归一化的特征值矩阵输入训练好的神经网络模型,得到所述羽流照片对应的推力;所述训练好的神经网络模型是利用已知推力的羽流照片所对应的归一化的特征值矩阵和推力值对神经网络进行训练得到的;
所述训练好的神经网络模型的训练过程包括:
获取等离子体推力器的多个样本羽流照片和每张所述样本羽流照片对应的推力值;
将每张所述样本羽流照片转换成RGB三维矩阵,得到样本羽流照片的RGB三维矩阵;
对每个所述样本羽流照片的RGB三维矩阵进行灰度化处理,得到样本羽流照片的二维灰度矩阵;
将每个所述样本羽流照片的二维灰度矩阵等分为m*n个子矩阵,得到子矩阵序列;
利用奇异值分解计算每个所述子矩阵序列中各个子矩阵的奇异值,得到样本羽流照片的特征值矩阵;
对每个所述样本羽流照片的特征值矩阵进行归一化处理,得到样本羽流照片的归一化的特征值矩阵;
以各所述样本羽流照片的归一化的特征值矩阵作为神经网络的输入,以各所述样本羽流照片对应的推力值作为神经网络的期望输出,对所述神经网络进行训练,得到训练好的神经网络模型。
2.根据权利要求1所述的测量在轨等离子体推力器的推力的方法,其特征在于,所述将所述羽流照片转换成RGB三维矩阵,具体包括:
利用MATLAB软件提取所述羽流照片的三基色并生成三维矩阵。
3.根据权利要求1所述的测量在轨等离子体推力器的推力的方法,其特征在于,所述对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵,具体包括:
利用rgb2gray函数对所述RGB三维矩阵进行灰度化处理,使所述RGB三维矩阵转换成二维灰度矩阵。
4.根据权利要求1所述的测量在轨等离子体推力器的推力的方法,其特征在于,所述利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵,具体包括:
利用svd函数对所述子矩阵进行奇异值分解,得到每个子矩阵的多个奇异值;
针对每个所述子矩阵,从奇异值分解得到的多个所述奇异值中筛选最大奇异值,得到m*n个最大奇异值构成的特征值矩阵。
5.一种测量在轨等离子体推力器的推力的系统,其特征在于,包括:
照片获取模块,用于获取拍摄的待测等离子体推力器的羽流照片;
RGB转换模块,用于将所述羽流照片转换成RGB三维矩阵;
灰度处理模块,用于对所述RGB三维矩阵进行灰度化处理,得到二维灰度矩阵;
矩阵等分模块,用于将所述二维灰度矩阵等分为m*n个子矩阵;
奇异值分解模块,用于利用奇异值分解计算每个所述子矩阵的奇异值,得到包含m*n个奇异值的特征值矩阵;
归一化模块,用于对所述包含m*n个奇异值的特征值矩阵进行归一化处理,得到归一化的特征值矩阵;
推力计算模块,用于将所述归一化的特征值矩阵输入训练好的神经网络模型,得到所述羽流照片对应的推力;所述训练好的神经网络模型是利用已知推力的羽流照片所对应的归一化的特征值矩阵和推力值对神经网络进行训练得到的;
训练模块,用于对神经网络模型进行训练;
所述训练模块包括:
样本获取单元,用于获取等离子体推力器的多个样本羽流照片和每张所述样本羽流照片对应的推力值;
样本RGB转换单元,用于将每张所述样本羽流照片转换成RGB三维矩阵,得到样本羽流照片的RGB三维矩阵;
样本灰度处理单元,用于对每个所述样本羽流照片的RGB三维矩阵进行灰度化处理,得到样本羽流照片的二维灰度矩阵;
样本矩阵等分单元,用于将每个所述样本羽流照片的二维灰度矩阵等分为m*n个子矩阵,得到子矩阵序列;
样本奇异值分解单元,用于利用奇异值分解计算每个所述子矩阵序列中各个子矩阵的奇异值,得到样本羽流照片的特征值矩阵;
样本归一化单元,用于对每个所述样本羽流照片的特征值矩阵进行归一化处理,得到样本羽流照片的归一化的特征值矩阵;
模型训练单元,用于以各所述样本羽流照片的归一化的特征值矩阵作为神经网络的输入,以各所述样本羽流照片对应的推力值作为神经网络的期望输出,对所述神经网络进行训练,得到训练好的神经网络模型。
6.根据权利要求5所述的测量在轨等离子体推力器的推力的系统,其特征在于,所述RGB转换模块包括:
三基色转换单元,用于利用MATLAB软件提取所述羽流照片的三基色并生成三维矩阵。
7.根据权利要求5所述的测量在轨等离子体推力器的推力的系统,其特征在于,所述灰度处理模块包括:
灰度函数处理单元,用于利用rgb2gray函数对所述RGB三维矩阵进行灰度化处理,使所述RGB三维矩阵转换成二维灰度矩阵。
8.根据权利要求5所述的测量在轨等离子体推力器的推力的系统,其特征在于,所述奇异值分解模块包括:
svd函数处理单元,用于利用svd函数对所述子矩阵进行奇异值分解,得到每个子矩阵的多个奇异值;
最大奇异值筛选单元,用于针对每个所述子矩阵,从奇异值分解得到的多个所述奇异值中筛选最大奇异值,得到m*n个最大奇异值构成的特征值矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434852.4A CN110160688B (zh) | 2019-05-23 | 2019-05-23 | 一种测量在轨等离子体推力器的推力的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434852.4A CN110160688B (zh) | 2019-05-23 | 2019-05-23 | 一种测量在轨等离子体推力器的推力的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110160688A CN110160688A (zh) | 2019-08-23 |
CN110160688B true CN110160688B (zh) | 2020-12-25 |
Family
ID=67632414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434852.4A Active CN110160688B (zh) | 2019-05-23 | 2019-05-23 | 一种测量在轨等离子体推力器的推力的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110160688B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451238B (zh) * | 2023-12-19 | 2024-04-09 | 哈尔滨工业大学 | 基于神经网络的推进器推力波动在轨光学检测方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2168498A (en) * | 1984-12-15 | 1986-06-18 | British Maritime Technology Li | Thrust measuring devices |
WO1997021923A1 (en) * | 1995-12-09 | 1997-06-19 | Keldysh Research Center | Hall effect motor |
CN105173124A (zh) * | 2015-07-16 | 2015-12-23 | 兰州空间技术物理研究所 | 一种离子推力器寿命地面试验方法 |
CN105574883A (zh) * | 2015-12-30 | 2016-05-11 | 哈尔滨工业大学 | 一种图像法评估霍尔推力器羽流发散角的方法 |
CN107328504A (zh) * | 2017-07-31 | 2017-11-07 | 中国人民解放军国防科学技术大学 | 一种基于动态光弹性法的电推进领域微推力瞬态测量系统 |
CN107389252A (zh) * | 2017-07-31 | 2017-11-24 | 中国人民解放军国防科学技术大学 | 一种基于声弹性技术的电推进领域微推力瞬态测量系统 |
-
2019
- 2019-05-23 CN CN201910434852.4A patent/CN110160688B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2168498A (en) * | 1984-12-15 | 1986-06-18 | British Maritime Technology Li | Thrust measuring devices |
WO1997021923A1 (en) * | 1995-12-09 | 1997-06-19 | Keldysh Research Center | Hall effect motor |
CN105173124A (zh) * | 2015-07-16 | 2015-12-23 | 兰州空间技术物理研究所 | 一种离子推力器寿命地面试验方法 |
CN105574883A (zh) * | 2015-12-30 | 2016-05-11 | 哈尔滨工业大学 | 一种图像法评估霍尔推力器羽流发散角的方法 |
CN107328504A (zh) * | 2017-07-31 | 2017-11-07 | 中国人民解放军国防科学技术大学 | 一种基于动态光弹性法的电推进领域微推力瞬态测量系统 |
CN107389252A (zh) * | 2017-07-31 | 2017-11-24 | 中国人民解放军国防科学技术大学 | 一种基于声弹性技术的电推进领域微推力瞬态测量系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110160688A (zh) | 2019-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Long et al. | Lira-YOLO: A lightweight model for ship detection in radar images | |
US9453730B2 (en) | Machine vision 3D line scan image acquisition and processing | |
CN112673381B (zh) | 一种对抗样本的识别方法及相关装置 | |
CN104599292A (zh) | 一种基于低秩矩阵分解的抗噪运动目标检测算法 | |
Duan et al. | K-CPD: Learning of overcomplete dictionaries for tensor sparse coding | |
CN108008385A (zh) | 基于稀疏贝叶斯学习的干扰环境isar高分辨成像方法 | |
CN103984966A (zh) | 基于稀疏表示的sar图像目标识别方法 | |
CN111551928A (zh) | 一种基于墙体低秩稀疏约束的穿墙雷达成像方法 | |
CN110160688B (zh) | 一种测量在轨等离子体推力器的推力的方法及系统 | |
CN109345559B (zh) | 基于样本扩充和深度分类网络的运动目标跟踪方法 | |
Geng et al. | Principal skewness analysis: Algorithm and its application for multispectral/hyperspectral images indexing | |
US7366326B2 (en) | Real-time implementation of field programmable gate arrays (FPGA) design in hyperspectral imaging | |
CN113780346A (zh) | 一种先验约束分类器调整方法、系统及可读存储介质 | |
Lyu et al. | Identifiability-guaranteed simplex-structured post-nonlinear mixture learning via autoencoder | |
Tan et al. | Angular resolution enhancement of real-beam scanning radar base on accelerated iterative shinkage/thresholding algorithm | |
US20140126824A1 (en) | Efficient inner product computation for image and video analysis | |
CN111735447B (zh) | 一种仿星敏式室内相对位姿测量系统及其工作方法 | |
Iqbal et al. | An approach for sequential dictionary learning in nonuniform noise | |
Yu et al. | Dictionary learning with BLOTLESS update | |
Eksioglu et al. | Overcomplete sparsifying transform learning algorithm using a constrained least squares approach | |
Moon et al. | Super resolution based on deep learning technique for constructing digital elevation model | |
Zhang et al. | Joint-2D-SL0 algorithm for joint sparse matrix reconstruction | |
Jianan et al. | Pico-satellite attitude determination using a star tracker with compressive sensing | |
Chen et al. | Robust DOA estimation for uncorrelated and coherent signals | |
Van Tang et al. | A rank-deficient and sparse penalized optimization model for compressive indoor radar imaging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |