專利名稱：一種ccd跟蹤系統(tǒng)目標(biāo)運(yùn)動(dòng)特性測量方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種C⑶跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，屬于自動(dòng)控制領(lǐng)域，適用于對光電跟蹤伺服控制系統(tǒng)跟蹤目標(biāo)運(yùn)動(dòng)特性測量方法的改進(jìn)。
背景技術(shù)：
在CCD跟蹤系統(tǒng)中，CCD只能輸出目標(biāo)相對視場中心的偏差，即脫靶量，無法得到目標(biāo)的運(yùn)動(dòng)特性(包括目標(biāo)的位置、速度和加速度)。為了提高CCD跟蹤系統(tǒng)的跟蹤精度，需要預(yù)測目標(biāo)的運(yùn)動(dòng)特性。在工程上采用跟蹤架的位置與脫靶量相加得到合成目標(biāo)空間角位置信息，然后對合成的目標(biāo)角位置信息進(jìn)行濾波并預(yù)測出目標(biāo)的角速度和角加速度信息。但是，CCD輸出的脫靶量有一定滯后，嚴(yán)重影響了預(yù)測濾波的精度。因此，為了得到目標(biāo)的運(yùn)動(dòng)特性，以下兩方面的關(guān)鍵問題需解決1)位置合成時(shí)存在的脫靶量滯后問題；2)如何對有延遲的、干擾的合成位置信號(hào)采用預(yù)測濾波技術(shù)預(yù)測出精度高的目標(biāo)運(yùn)動(dòng)特性問題。常 用的預(yù)測方法有有限記憶最小平方濾波和卡爾曼濾波。有限記憶最小平方預(yù)測前提是各個(gè)記憶點(diǎn)時(shí)間間隔一樣，但CCD輸出脫祀量有一定的延時(shí)，且延時(shí)的時(shí)間并不是一個(gè)固定值，因此無法準(zhǔn)確得到目標(biāo)的運(yùn)動(dòng)特性?？柭鼮V波一般需要知道目標(biāo)的運(yùn)動(dòng)統(tǒng)計(jì)模型和目標(biāo)的距離信息，而CCD跟蹤系統(tǒng)無法提供目標(biāo)的距離信息，且跟蹤目標(biāo)的多樣性和目標(biāo)的機(jī)動(dòng)性越來越大，無法建立一個(gè)適合于多種目標(biāo)的運(yùn)動(dòng)模型。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，采用了 ELM(Extreme Learning Machine)神經(jīng)網(wǎng)絡(luò)對CO)輸出目標(biāo)的脫祀量信息、伺服轉(zhuǎn)臺(tái)的位置、速度和加速度信息進(jìn)行數(shù)據(jù)融合得到跟蹤目標(biāo)的運(yùn)動(dòng)特性，構(gòu)成共軸跟蹤來提高光電跟蹤系統(tǒng)的跟蹤精度。本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于CCD將目標(biāo)的脫靶量和伺服轉(zhuǎn)臺(tái)的位置、速度和加速度信息輸出給ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)，經(jīng)ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)中的兩個(gè)部分即學(xué)習(xí)訓(xùn)練和數(shù)據(jù)融合獲得目標(biāo)的位置、速度和加速度信息；其具體方法如下I)在學(xué)習(xí)訓(xùn)練過程中，ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)對臨近當(dāng)前時(shí)刻的歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，也就是通過分析目標(biāo)的歷史運(yùn)動(dòng)特性建模的過程；首先確定輸入矩陣和輸出矩陣；其中，輸入信息包括光電跟蹤系統(tǒng)設(shè)備自身的運(yùn)動(dòng)狀態(tài)和目標(biāo)的脫靶量；輸出量指歷史時(shí)刻目標(biāo)的位置及其運(yùn)動(dòng)信息，由脫靶量和跟蹤架位置信息合成后，經(jīng)8次多項(xiàng)式擬合得到。2)在數(shù)據(jù)融合過程中，根據(jù)學(xué)習(xí)訓(xùn)練得到的目標(biāo)模型對當(dāng)前時(shí)刻目標(biāo)脫靶量和轉(zhuǎn)臺(tái)位置、速度和加速度信息進(jìn)行數(shù)據(jù)融合得到跟蹤目標(biāo)的運(yùn)動(dòng)信息。隨著跟蹤時(shí)間的增加，學(xué)習(xí)過程也不斷根據(jù)最新的歷史數(shù)據(jù)學(xué)習(xí)訓(xùn)練，目標(biāo)的模型也隨著臨近當(dāng)前時(shí)刻歷史數(shù)據(jù)的變化而不斷變化。所述的ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)的處理器是以TMS320F2812為核心。所述ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)中的神經(jīng)元個(gè)數(shù)等于學(xué)習(xí)訓(xùn)練樣本的個(gè)數(shù)。
所述的伺服轉(zhuǎn)臺(tái)位置信息由安裝在伺服轉(zhuǎn)臺(tái)電機(jī)軸上的光電編碼器獲得。所述的伺服轉(zhuǎn)臺(tái)速度信息由安裝在伺服轉(zhuǎn)臺(tái)電機(jī)軸上的光電編碼器得到的位置信息經(jīng)差分后獲得。所述的伺服轉(zhuǎn)臺(tái)加速度信息由安裝在伺服轉(zhuǎn)臺(tái)上的角加速度傳感器獲得。本發(fā)明的積極效果是由于本發(fā)明不需要跟蹤目標(biāo)的運(yùn)動(dòng)模型，克服了 KALMAN濾波卡爾曼濾波一般需要知道目標(biāo)的運(yùn)動(dòng)統(tǒng)計(jì)模型和目標(biāo)的距離信息等缺點(diǎn)。所得到的跟蹤目標(biāo)運(yùn)動(dòng)特性可作為前饋控制信號(hào)傳送給伺服控制器構(gòu)成共軸跟蹤，提高光電跟蹤系統(tǒng)的跟蹤精度，對于光電跟蹤系統(tǒng)伺服控制技術(shù)的研究具有積極意義。



圖I為本發(fā)明CXD跟蹤目標(biāo)特性測量示意圖。圖2 ELM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練示意圖。圖3 ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合示意圖。圖4.伺服控制系統(tǒng)原理圖。圖5 ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)流程圖。圖6跟蹤誤差曲線。
具體實(shí)施例方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步說明如圖I所示，一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，包括有=ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)(包括學(xué)習(xí)訓(xùn)練和數(shù)據(jù)融合兩個(gè)部分)、CCD輸出目標(biāo)脫靶量、伺服轉(zhuǎn)臺(tái)位置、伺服轉(zhuǎn)臺(tái)速度、伺服轉(zhuǎn)臺(tái)的加速度。ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)流程圖如圖5所示，其中光電探測器的千樣周期T=O. 02秒，滯后時(shí)間=(丨· 00275秒；轉(zhuǎn)臺(tái)位置、速度和加速度信號(hào)的采樣周期為T=O. 00125秒，ELM系統(tǒng)學(xué)習(xí)訓(xùn)練和數(shù)據(jù)融合的周期選擇為O. 02秒；首先把轉(zhuǎn)臺(tái)的位置信息人為延遲19個(gè)采樣時(shí)刻和脫靶量合成得到目標(biāo)的位置信息，并通過8次多項(xiàng)式擬合得到歷史時(shí)刻(k-16，k-15，…，k-1)的目標(biāo)位置，通過微分得到目標(biāo)的速度和加速度；然后和在歷史時(shí)刻(k-16，k-15，…，k-1)目標(biāo)脫靶量和轉(zhuǎn)臺(tái)位置、速度和加速度進(jìn)行學(xué)習(xí)訓(xùn)練行得到ELM神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行數(shù)據(jù)融合需要的加權(quán)矩陣；最后由學(xué)習(xí)訓(xùn)練得到的加權(quán)矩陣和當(dāng)前時(shí)刻目標(biāo)脫靶量及轉(zhuǎn)臺(tái)位置、速度及加速度進(jìn)行數(shù)據(jù)融合得到當(dāng)前時(shí)刻目標(biāo)位置、速度和加速度。ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)包括學(xué)習(xí)訓(xùn)練(如圖2所示)和數(shù)據(jù)融合(如圖3所示)兩個(gè)部分。ELM神經(jīng)網(wǎng)絡(luò)對臨近當(dāng)前時(shí)刻的歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，也就是通過分析目標(biāo)的歷史運(yùn)動(dòng)特性建模的過程。在學(xué)習(xí)訓(xùn)練過程中，首先確定輸入矩陣和輸出矩陣。其中，輸入信息包括光電跟蹤系統(tǒng)設(shè)備自身的運(yùn)動(dòng)狀態(tài)和目標(biāo)的脫靶量；輸出量指歷史時(shí)刻目標(biāo)的位置及其運(yùn)動(dòng)信息，由脫靶量和跟蹤架位
置信息合成后，經(jīng)多項(xiàng)式擬合得到。設(shè)當(dāng)前時(shí)刻為如光電跟蹤設(shè)備的角位置為乃，速度為Fj，加速度為Si，光電探測器輸出的脫靶量為4&。輸入矩陣和輸出矩陣如圖2中的X和Y
所不。其中，學(xué)習(xí)樣本的個(gè)數(shù)選為16個(gè)。輸入層與隱含層間的連接權(quán)值ω和隱含層神經(jīng)元的偏置b由系統(tǒng)隨機(jī)產(chǎn)生，經(jīng)過學(xué)習(xí)訓(xùn)練得到隱含層與輸出層之間的權(quán)值矩陣β。
由當(dāng)前時(shí)刻光電探測器輸出的脫靶量和跟蹤架的位置、速度和加速度信息，結(jié)合由學(xué)習(xí)訓(xùn)練過程中得到的輸入層與隱含層間的連接權(quán)值、隱含層神經(jīng)元的偏置和隱含層與輸出層之間的權(quán)值矩陣，經(jīng)數(shù)據(jù)融合可以得到目標(biāo)的位置、速度和加速度。隨著跟蹤時(shí)間的增加，學(xué)習(xí)過程也不斷根據(jù)最新的歷史數(shù)據(jù)學(xué)習(xí)訓(xùn)練，因此目標(biāo)的模型也隨著臨近當(dāng)前時(shí)刻歷史數(shù)據(jù)的變化而不斷變化。為減少ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)的計(jì)算量，以滿足光電跟蹤系統(tǒng)的實(shí)時(shí)性要求，神經(jīng)元的個(gè)數(shù)選為16個(gè)。為驗(yàn)證本專利對CCD測量目標(biāo)運(yùn)動(dòng)特性方法的有效性，基于光電跟蹤系統(tǒng)對速度 為50° /s，加速度為30° /s2的目標(biāo)做了跟蹤試驗(yàn)。其中，伺服系統(tǒng)的原理圖如圖4所示。ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)流程圖如圖5所示，由于光電探測器輸出的脫靶量滯后于轉(zhuǎn)臺(tái)的位置信息，因此把轉(zhuǎn)臺(tái)位置人為延遲再和脫靶量合成得到歷史時(shí)刻目標(biāo)真實(shí)位置，由位置信息經(jīng)過多項(xiàng)式擬合并進(jìn)行微分得到歷史時(shí)刻目標(biāo)的運(yùn)動(dòng)信息，經(jīng)ElM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練和數(shù)據(jù)融合得到目標(biāo)當(dāng)前時(shí)刻的運(yùn)動(dòng)信息。實(shí)驗(yàn)結(jié)果如圖6和表I所示，其中，圖6中，圖a式是位置、速度環(huán)雙閉環(huán)控制得到的跟蹤誤差；圖b是ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合后得到目標(biāo)位置、速度和加速度構(gòu)成的共軸跟蹤得到的跟蹤誤差；圖c是脫靶量作為位置誤差，并結(jié)合數(shù)據(jù)融合后得到的目標(biāo)速度、加速度構(gòu)成的共軸跟蹤得到的跟蹤誤差，由圖6和表I可以出，由ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)得到目標(biāo)速度和加速度信息實(shí)現(xiàn)共軸跟蹤和位置、速度雙閉環(huán)控制相比，系統(tǒng)的跟蹤精度提高了大約25倍。
權(quán)利要求
1.一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于CCD將目標(biāo)的脫靶量輸出給ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)，經(jīng)ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)中的兩個(gè)部分即學(xué)習(xí)訓(xùn)練和數(shù)據(jù)融合獲得伺服轉(zhuǎn)臺(tái)位置、伺服轉(zhuǎn)臺(tái)速度和伺服轉(zhuǎn)臺(tái)的加速度；I)在學(xué)習(xí)訓(xùn)練過程中，ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)對臨近當(dāng)前時(shí)刻的歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，也就是通過分析目標(biāo)的歷史運(yùn)動(dòng)特性建模的過程；首先確定輸入矩陣和輸出矩陣；其中，輸入信息包括光電跟蹤系統(tǒng)設(shè)備自身的運(yùn)動(dòng)狀態(tài)和目標(biāo)的脫靶量；輸出量指歷史時(shí)刻目標(biāo)的位置及其運(yùn)動(dòng)信息，由脫靶量和跟蹤架位置信息合成后，經(jīng)8次多項(xiàng)式擬合得到；2)在數(shù)據(jù)融合過程中，根據(jù)學(xué)習(xí)訓(xùn)練得到的目標(biāo)模型對當(dāng)前時(shí)刻目標(biāo)脫靶量和轉(zhuǎn)臺(tái)位置、速度和加速度信息進(jìn)行數(shù)據(jù)融合得到跟蹤目標(biāo)的運(yùn)動(dòng)信息；隨著跟蹤時(shí)間的增加，學(xué)習(xí)過程也不斷根據(jù)最新的歷史數(shù)據(jù)學(xué)習(xí)訓(xùn)練，目標(biāo)的模型也隨著臨近當(dāng)前時(shí)刻歷史數(shù)據(jù)的變化而不斷變化。
2.根據(jù)權(quán)利要求I所述的一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于所述的ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)的處理器是以TMS320F2812為核心。
3.根據(jù)權(quán)利要求I所述的一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于所述ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)中的神經(jīng)元個(gè)數(shù)等于學(xué)習(xí)訓(xùn)練樣本的個(gè)數(shù)。
4.根據(jù)權(quán)利要求I所述的一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于所述的伺服轉(zhuǎn)臺(tái)位置信息由安裝在伺服轉(zhuǎn)臺(tái)電機(jī)軸上的光電編碼器獲得。
5.根據(jù)權(quán)利要求I所述的一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于所述的伺服轉(zhuǎn)臺(tái)速度信息由安裝在伺服轉(zhuǎn)臺(tái)電機(jī)軸上的光電編碼器得到的位置信息經(jīng)差分后獲得。
6.根據(jù)權(quán)利要求I所述的一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于所述的伺服轉(zhuǎn)臺(tái)加速度信息由安裝在伺服轉(zhuǎn)臺(tái)上的角加速度傳感器獲得。
全文摘要
本發(fā)明涉及一種CCD跟蹤目標(biāo)運(yùn)動(dòng)特性的測量方法，其特征在于:CCD將目標(biāo)的脫靶量輸出給ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)，經(jīng)ELM神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合系統(tǒng)中的兩個(gè)部分即學(xué)習(xí)訓(xùn)練和數(shù)據(jù)融合獲得伺服轉(zhuǎn)臺(tái)位置、伺服轉(zhuǎn)臺(tái)速度和伺服轉(zhuǎn)臺(tái)的加速度；采用了ELM神經(jīng)網(wǎng)絡(luò)對CCD輸出目標(biāo)的脫靶量信息、伺服轉(zhuǎn)臺(tái)的位置、速度和加速度信息進(jìn)行數(shù)據(jù)融合得到跟蹤目標(biāo)的運(yùn)動(dòng)特性。其所得到的跟蹤目標(biāo)運(yùn)動(dòng)特性可作為前饋控制信號(hào)傳送給伺服控制器構(gòu)成共軸跟蹤，提高光電跟蹤系統(tǒng)的跟蹤精度，對于光電跟蹤系統(tǒng)伺服控制技術(shù)的研究具有積極意義。
文檔編號(hào)G01N3/06GK102829719SQ20121029365
公開日2012年12月19日 申請日期2012年8月17日 優(yōu)先權(quán)日2012年8月17日
發(fā)明者陳娟, 王威立, 于丹, 梁偉 申請人:長春工業(yè)大學(xué)