دانلود مقاله ISI انگلیسی شماره 117942
ترجمه فارسی عنوان مقاله

الگوریتم شناسایی ستاره مبتنی بر رای گیری با استفاده از توزیع محلی و جهانی

عنوان انگلیسی
A voting-based star identification algorithm utilizing local and global distribution
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
117942 2018 23 صفحه PDF
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Acta Astronautica, Volume 144, March 2018, Pages 126-135

ترجمه کلمات کلیدی
سنسور ستاره شناسایی ستاره، توزیع جهانی، توزیع محلی، رأی تندیده، بهینه سازی پایگاه داده،
کلمات کلیدی انگلیسی
Star sensor; Star identification; Global distribution; Local distribution; Stratified voting; Database optimization;
ترجمه چکیده
الگوریتم شناسایی جدید ستاره بر اساس طرح رأی گیری در این مقاله ارائه شده است. در الگوریتم پیشنهاد شده، توزیع جهانی و توزیع محلی ستاره های سنسور به طور کامل مورد استفاده قرار می گیرند و طرح رای گیری طبقه بندی شده برای بدست آوردن نامزدها برای ستاره های حسگر اتخاذ می شود. بهینه سازی پایگاه داده برای کاهش نیاز حافظه و بهبود کارایی الگوریتم پیشنهاد شده مورد استفاده قرار می گیرد. شبیه سازی نشان می دهد که الگوریتم پیشنهاد شده 99.81٪ شناسایی نرخ با انحراف استاندارد 2 پیکسل از نویز های موضعی و نویز های 0.322 مگاوات است. در مقایسه با دو الگوریتم مشابه، الگوریتم پیشنهادی نسبت به نویز قوی تر است و زمان متوسط ​​شناسایی و حافظه مورد نیاز کمتر است. علاوه بر این، آزمایش واقعی آسمان نشان می دهد که الگوریتم پیشنهاد شده به خوبی بر روی تصاویر ستاره ای واقعی عمل می کند.
پیش نمایش مقاله
پیش نمایش مقاله  الگوریتم شناسایی ستاره مبتنی بر رای گیری با استفاده از توزیع محلی و جهانی

چکیده انگلیسی

A novel star identification algorithm based on voting scheme is presented in this paper. In the proposed algorithm, the global distribution and local distribution of sensor stars are fully utilized, and the stratified voting scheme is adopted to obtain the candidates for sensor stars. The database optimization is employed to reduce its memory requirement and improve the robustness of the proposed algorithm. The simulation shows that the proposed algorithm exhibits 99.81% identification rate with 2-pixel standard deviations of positional noises and 0.322-Mv magnitude noises. Compared with two similar algorithms, the proposed algorithm is more robust towards noise, and the average identification time and required memory is less. Furthermore, the real sky test shows that the proposed algorithm performs well on the real star images.