买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国科学院光电技术研究所申请的专利一种小视场条件下近似均匀分布的导航星库构建方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116340298B 。

龙图腾网通过国家知识产权局官网在2026-03-31发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211571155.1，技术领域涉及：G06F16/215；该发明授权一种小视场条件下近似均匀分布的导航星库构建方法是由赵汝进;朱梓建;马跃博;刘恩海;朱自发;易晋辉;唐雨萍;曾思康设计研发完成，并于2022-12-08向国家知识产权局提交的专利申请。

本一种小视场条件下近似均匀分布的导航星库构建方法在说明书摘要公布了：本发明公开了一种小视场条件下近似均匀分布的导航星库构建方法，包括：1采用VMT算法，设置阈值为对SAO星表进行分割，仅保留以下的导航星，存入星库StarLib；2在星库StarLib中剔除亮度与位置不固定、星间角距值过小的导航星，即剔除变星与双星，得到基本星库StarLib1；3采用近似均匀分布的球面螺旋基准点，根据基准点与恒星间的角距、星等、星间密度三者的组合特征来粗挑导航星，得到初步的导航星库StarLib2与备选星库StarLib3；4在StarLib2的基础上，采用KernelSVM‑SMO从非线性分布的StarLib3星库中增选导航星，计算增选星与当前视场内已存在的导航星之间的角距平均值，判断是否小于设定阈值，从而有效避免增选冗余星，得到最终导航星库StarLib4。

本发明授权一种小视场条件下近似均匀分布的导航星库构建方法在权利要求书中公布了：1.一种小视场条件下近似均匀分布的导航星库构建方法，其特征在于，包括如下步骤： 步骤1、采用SAO星表作为原始星库，采用VMT算法根据星敏感器探测能力设置星等阈值，将以上的导航星从基本SAO星表中剔除，每颗导航星具有唯一的赤经赤纬信息，记为，并在此基础上剔除双星与变星，得到基本星库StarLib1； 所述步骤1的具体过程为： 步骤11、利用VMT算法，设定星等阈值为，分割公式表示为： 其中，为星库中的第颗导航星，为第颗导航星的星等； 步骤12、在步骤11基础上，根据赤经赤纬信息计算第颗导航星在天球坐标系下的方向矢量，表示为： 步骤13、通常用角距来判定两个恒星之间的距离，利用步骤11中得到的StarLib星库，采用如下公式计算双星角距阈值： 其中，分别为像元弥散尺寸，靶面尺寸，焦距； 步骤2、利用近似均匀分布的螺旋基准点作为视轴指向，计算基准点与恒星间角距以及恒星间密度，保障导航星筛选时的均匀性要求，并加以考虑导航星星等特征，保证导航星库构建时优选亮星的要求； 所述步骤2的具体过程为： 步骤21、首先采用算法生成螺旋视轴指向，生成公式可表示为： 其中，为每个螺旋视轴指向在天球坐标系下的坐标，记为,为球面坐标系下的坐标，记为，下标表示螺旋基准点序号； 步骤22、根据星敏感器视场大小FOV，以及视场内期望出现的星颗数N来确定螺旋基准点个数M，可表示为： 步骤23、在步骤12和22基础上，取视场内最亮的前Ne颗恒星，Ne5，并分别以第颗导航星作为主星，计算单位领域内的平均密度： 其中，为视场内的导航星数，为第颗导航星单位领域内第颗导航星在天球坐标系下的方向矢量； 其次，计算第颗主星与当前螺旋基准点的角距值： 其中，为当前螺旋基准点在天球坐标系下的方向矢量； 计算及导航星星等组合特征表达式如下： 其中，ρi为特征组合权重值，da为星间平均密度，组合特征ri在保证导航星筛选过程中均匀性要求的同时，提升导航星库的平均亮度； 按照组合特征大小，进行升序排列，将排名第一的恒星贴类别标签为，存入导航星库StarLib2，将排名最后的两颗恒星贴类别标签为，并将剩余星存入备选星库StarLib3； 步骤3、导航星在全天球的无规则、不均匀的分布情况，标志着用分类的方法来筛选导航星与非导航星时必定是线性不可分的，采用KernelSVM-SMO算法，能有效将低维空间中的非线性分类问题可以通过非线性核函数映射到高维空间中，转化为高维空间中的线性可分问题；利用步骤2中StarLib2中导航星和标签为的恒星作为训练集，对备选星库StarLib3中的星点进行分类筛选，增选部分导航星，从而有效减少部分天区中导航星数出现空洞的情况； 所述步骤3的具体过程为： 步骤31、为增加分类超平面的学习速率，将导航星范围为0~360°的赤经，和范围为-90°~90°的赤纬特征根据步骤12转化为单位方向余弦特征，结合步骤23中的类别标签，可得训练集特征为： 步骤32、采用Sigmoid核函数： 其中，和b都是核参数，的默认值是，是类别数，b的默认值是0； 通过核函数将非线性导航星分类问题映射到高维空间，即解决导航星分类面的非线性问题，并采用启发式SMO算法来求解SVM中凸二次规划问题，使模型具有很强的泛化能力； KernelSVM-SMO的对偶空间中的二次优化模型为： 其中，是拉格朗日乘子，是和的样本总数目，,是每颗导航星对应的类别，C是分类错误惩罚项； 步骤33、采用启发式SMO算法对以上优化问题进行求解，每次迭代固定两个变量： 外层循环中选取第一个变量，首先判断上述训练样本集是否满足KKT条件，选择违反KKT条件最严重的样本点作为的值；内层循环选择第二个变量，选择使的值出现最大变化的样本点；直到所有样本点均满足KKT条件，停止上述迭代，完成样本集训练，得到分类超平面；利用上述分类超平面对备选星库StarLib3中的恒星进行分类，类别为“+1”的判定为导航星，类别为“0”的判定为非导航星；将备选星库StarLib3中所有“+1”类别和星库StarLib2结合，得到最终的小视场条件下的导航星库StarLib4。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国科学院光电技术研究所，其通讯地址为：610209 四川省成都市双流350信箱；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。