-
公开(公告)号：CN119622189A
公开(公告)日：2025-03-14
申请号：CN202411883445.9
申请日：2024-12-19
Applicant: 中国科学院光电技术研究所
IPC: G06F17/18
Abstract: 本发明提出一种对数尺度自适应多窗功率谱密度估计方法，通过偏差和方差的均衡关系调整锥度数，解决现有自适应正弦窗算法存在的分辨率不高，算法复杂度高的问题，实现对自适应正弦窗算法的改进。本发明首先初始化锥度数，所有频率处锥度数设为定值，计算功率谱密度初始值。其次针对低频的信号进行锥度数梯度处理，不同频率段采用不同强度滤波器平滑锥度数，进而获取全频域最佳锥度数。最后通过对锥度数及功率谱密度进行迭代运算，得出最优功率谱密度估计值。通过本发明与LPSD算法、自适应正弦窗算法及LISA‑LPSD算法比较，表明该方法具有频谱分辨率高、算法复杂度低等优点。
-
公开(公告)号：CN114022730B
公开(公告)日：2023-08-15
申请号：CN202111260725.0
申请日：2021-10-28
Applicant: 中国科学院光电技术研究所
IPC: G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/047 , G06N3/08
Abstract: 本发明公开了一种基于自监督学习神经网络的点目标相位检索方法，利用的系统包括：成像探测器与自监督学习神经网络模块。在训练过程中，自监督学习神经网络将输入的光斑图像的数据样本映射到Zernike系数，然后通过光学成像系统利用Zernike系数计算出光斑图像，根据输入与输出光斑图像之间的相似度计算损失函数实现自监督学习。测试过程中，成像探测器采集的单幅离焦光斑图像输入到自监督学习神经网络中，根据映射关系输出系统所需的波前参数，实现相位检索。该方法不依赖任何标签值，仅通过畸变光斑数据的内在特征，建立采集光斑样本之间的映射关系；有效地避免了传统监督学习需要大量标签样本的技术瓶颈，有利于神经网络相位检索方法的实际应用。
-
公开(公告)号：CN115019125A
公开(公告)日：2022-09-06
申请号：CN202210570531.9
申请日：2022-05-24
Applicant: 中国科学院光电技术研究所
IPC: G06V10/774 , G06V10/74 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明公开了一种基于卷积神经网络的自监督扩展目标像差探测方法，首先，利用物理模型提取出扩展目标中的像差信息，然后将提取的像差信息输入卷积神经网络中，利用其非线性拟合的能力建立图像与Zernike系数的映射关系，然后利用Zernike系数与光学成像模型重建像差信息，并依据输入像差特征与光学模型输出像差特征之间的相似度计算损失函数实现自监督学习。测试过程中，可采集已知离焦量的系统中的在焦面与离焦面扩展目标的图像输入到已经训练好的无监督网络中，输出所需要的相位信息。该种方法在物理模型阶段消除了原目标特征，可实现对多种目标的普适性探测，在扩展目标种类变换与实际应用过程中无法获得准确标签的情况下具有更好的实用性。
-
公开(公告)号：CN113390438B
公开(公告)日：2022-06-28
申请号：CN202110646764.8
申请日：2021-06-10
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种运动平台下基于D‑H矩阵建模的望远镜指向误差修正方法。动平台上望远镜的指向误差包含望远镜本身的系统误差、姿态传感器的测量误差和姿态传感器与望远镜之间的安装误差。本发明在对误差源分析的基础上，通过D‑H方法建立了动平台上指向误差的修正模型，包括误差参数计算模型和引导值计算模型。该模型同时考虑了所有误差源，且避免了误差参数耦合的影响，提高了指向修正精度。本发明的方法首先跟踪多颗恒星获取指向数据，然后利用误差参数计算模型一步计算出所有误差参数，再通过目标信息和引导值计算模型两步计算得到误差校正后的引导值。本发明的方法易于实现、修正精度高，性能稳定，能够实现运动平台望远镜的快速高精度指向。
-
公开(公告)号：CN106896827A
公开(公告)日：2017-06-27
申请号：CN201710220272.6
申请日：2017-04-06
Applicant: 中国科学院光电技术研究所
IPC: G05D1/12
Abstract: 本发明提供了一种光电跟踪测量设备指向位置附近恒星实时搜索的方法，所涉及的领域主要为光电跟踪测量领域，高精度设备引导控制。针对目标跟踪过程中，要对航迹周围的恒星进行观测的需求。本发明设计一种方法，实现目标跟踪的同时，能够在星表内实时搜索距离目标一定张角范围的恒星。本发明利用恒星位置在第二赤道坐标系内基本恒定这一特性，规避了搜星过程中，由于恒星和目标在地平坐标系都在运动，造成的计算量大，搜索复杂度大等相关问题。并通过虚拟恒星计算相关误差，实现了在星表内直接搜索，减少了搜索量，提高了搜索效率以及搜索命中率。
-
Patent Agency Ranking
公开(公告)号：CN118393687A
公开(公告)日：2024-07-26
申请号：CN202410722567.3
申请日：2024-06-05
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种大温差环境下反射镜的高精度面形约束装置，该装置包括：镜座；与镜座同轴布置的周向约束结构；稳定结构。镜座的周向上均布了三个定位平台，在镜座上设有三个凸起反射镜安装面；周向约束结构由三个相同且均布的负刚度模块组成，之间采用横梁整体刚性连接，在负刚度模块和横梁的连接处设置有支撑块，三个负刚度模块的中间位置处设置有共三个连接块，每两个支撑块连接于一个连接块，周向约束结构同轴放置于镜座内侧；稳定结构的中心设有连接平台，两侧设有安装平台，安装平台与连接平台之间采用折叠柔性梁进行连接。根据本发明技术方案，通过机构并联和适当的约束和配合关系，实现了对于反射镜的六个自由度的全约束。
-
公开(公告)号：CN116755239A
公开(公告)日：2023-09-15
申请号：CN202310726829.9
申请日：2023-06-19
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于光斑图像矩特征的望远镜主次镜校准方法，属于望远镜计算机辅助装调领域。该校准方法的具体步骤如下，首先，随机给定望远镜系统次镜各自由度失调量，利用无偏有限脉冲响应矩提取望远镜失调状态下合理范围内多视场的光斑图像特征；然后利用全连接神经网络构建次镜各自由度失调量和多视场光斑图像特征矩阵之间的模型；在实际使用中，将CCD相机采集的多视场光斑图像利用无偏有限脉冲响应矩提取特征矩阵后输入训练好的神经网络模型求解出次镜的失调量，从而指导望远镜系统的装调。本方法旨在无波前传感器作为望远镜的像质评价基准的情况下，并且无需多次迭代，从而提高系统主次镜对准的效率和系统的成像质量。
-
公开(公告)号：CN116699838A
公开(公告)日：2023-09-05
申请号：CN202310726752.5
申请日：2023-06-19
Applicant: 中国科学院光电技术研究所
IPC: G02B27/00 , G02B23/00 , G06V10/82 , G06V10/774 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于点扩散函数的望远镜像差校正方法。所述方法分为建立模型和实际使用两个部分，先搭建望远镜系统，随机给定镜片相对于理想位置的各自由度失调量，探测此时系统的泽尼克多项式系数和点扩散函数，分别利用深度学习算法构建点扩散函数和泽尼克多项式系数以及泽尼克多项式系数和镜片各自由度失调量之间的两个模型；在实际使用过程，无需使用波前传感设备，将CCD相机采集的光斑图像直接输入将两个模型权重参数叠加的新模型求解出镜片的失调量，从而校正系统因镜片位置失调而产生的低阶像差。本方法适用于各种复杂系统的镜片失调量求解，高精度和一定的实时性具有工程应用价值。
-
公开(公告)号：CN116301062A
公开(公告)日：2023-06-23
申请号：CN202310302052.3
申请日：2023-03-27
Applicant: 中国科学院光电技术研究所
Abstract: 本发明公开了一种基于三点坐标的望远镜固定像旋解算方法。具体步骤为：首先记录当前目标脱靶量坐标O以及分别给快反镜两个方向增加控制量后目标脱靶量坐标P、Q。然后利用坐标O、P确定X方向的走向所处的象限位置以及固定像旋角，利用坐标O、P、Q确定脱靶量误差的极性A1、A2，接着通过判断像旋角转为弧度后余弦值的正负号来确定旋转矩阵的极性K1、K4。最后给其中一个方向增加控制量，判断自身方向的走向以及对另一个方向的影响，同时结合像旋角转为弧度后正弦值确定旋转矩阵的极性K2、K3，从而得到完整的像旋解算公式。本发明的方法计算速度快、易于实现、性能稳定，仅通过三点坐标即可得到固定像旋角，并推出脱靶量误差和旋转矩阵的所有极性。
-
公开(公告)号：CN115855111A
公开(公告)日：2023-03-28
申请号：CN202211624181.6
申请日：2022-12-15
Applicant: 中国科学院光电技术研究所
IPC: G01C25/00 , G06F18/2413
Abstract: 本发明公开了一种运动平台下基于KNN算法的望远镜非线性指向误差修正方法，包括：首先在运动平台上跟踪测量多颗恒星，获取采样数据，恒星即为采样点。通过采样数据和指向误差修正方法，计算各采样点在惯导系中的方位角和俯仰角，并计算校正后望远镜对各采样点的残余非线性方位指向误差和俯仰指向误差。然后建立未知样本点的非线性方位指向误差和俯仰指向误差的KNN算法估计模型，并用广义交叉核实法确定KNN估计所需的近邻参数。最后根据目标的位置信息，在指向误差修正方法校正线性指向误差的基础上，用建立的KNN算法模型估计对目标的非线性方位指向误差和俯仰指向误差，进而得到进一步修正之后的引导值，引导望远镜快速高精度地指向目标，修正精度高。
-
-
-
-
-
-
-
-
-
Search Results
33
records
(took 0.034 seconds)
