一种基于类脑神经网络的空间碎片识别捕获方法及系统与流程

本发明涉及空间碎片识别技术领域，更具体的说是涉及一种基于类脑神经网络的空间碎片识别捕获方法及系统。

背景技术：

目前，通常采用机器学习和类脑计算手段对空间碎片进行检测，空间碎片检测就是将空间碎片从背景中检测出来，以便于后续工作的开展。传统的机器学习对数据需求量大，其依赖于巨量的训练，需要巨量的样本数据(上百m、上g乃至上t的数据)才可以完成训练；并且学习训练过程需要精确的反馈，对于现实世界的很多问题，比如航天领域或机器人领域，没有好的反馈，也没办法进行大量仿真实验产生大量样本进行训练，或者产生样本所需的代价太高，使得机器学习的应用变得很困难。同时，传统的机器学习模型泛化能力差且能耗高；当系统遇到新的情况得到新的样本时，往往需要对已经训练成型的模型在包含新样本的数据集上进行从0开始的训练，否则已经训练好的模型无法在新样本上得以应用；标准计算机仅识别1000种不同的物体就需要消耗250瓦的能量。

传统的类脑计算对脑功能结构的解析不足，对脑的研究工具无法兼具细节与整体，无法对于脑进行高时空分辨率下的全局成像。同时，将脑功能抽象为数学模型难度大，脑图谱高度复杂且动态变化，在不同空间尺度、空间分布下脑神经元的功能划分差异显著，其对于空间碎片编目的算法十分复杂，必须在地面进行计算，而且无法满足实时性的需求。

因此，如何提供一种低功耗、泛化能力强，且识别精度高的基于类脑神经网络的空间碎片识别捕获方法及系统是本领域技术人员亟需解决的问题。

技术实现要素：

有鉴于此，本发明提供了一种基于类脑神经网络的空间碎片识别捕获方法及系统，通过学习空间碎片样本，得到一个对空间碎片敏感的神经网络模型，并且通过天基探测器与碎片之间的相对位置规划轨迹，对空间碎片进行捕获。在遇到可能产生威胁的空间碎片时，可以通过快速高效的识别，对空间碎片进行即时的识别、跟踪与处理。

为了实现上述目的，本发明采用如下技术方案：

一种基于类脑神经网络的空间碎片识别捕获方法，包括以下步骤：

s1、获取天基探测器观测到的空间碎片的图像信息；

s2、构建主体网络，分析所述主体网络中的每一个网络节点连接与断开的策略，根据所述策略对每个网络节点进行建模，将所述主体网络优化为目标识别网络；

s3、引入环境熵计算网络，利用所述环境熵计算网络描述空间碎片的分布复杂程度；

s4、引入网络熵计算网络，利用所述网络熵计算网络描述所述目标识别网络的网络复杂程度；

s5、根据所述目标识别网络的网络复杂程度与所述空间碎片的分布复杂程度，获得熵平衡驱动因子；

s6、引入博弈论框架，在所述博弈论框架的指导下，利用所述熵平衡驱动因子自适应调整所述目标识别网络的网络结构，使所述目标识别网络的网络复杂程度与空间碎片的分布复杂程度相匹配；

s7、建立空间碎片与天基探测器之间的信息闭环，使所述目标识别网络持续学习，并实时输出天基探测器与空间碎片的相对位置，直至空间碎片被捕获。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s1中，利用图像特征提取工具对空间碎片的图像提取一种或多种特征向量，并拼合为一个整体向量x。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s2中每个网络节点的建模如下：

其中，v表示网络节点集合；si表示每个节点vi采取的策略；p1表示每个网络节点采取“增长”策略的概率；p2表示每个网络节点采取“消退”策略的概率；s表示混合策略。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s2中根据所述策略计算所述主体网络的网络成本和网络误差；利用所述网络成本和所述网络误差获得优化目标函数，并利用所述优化目标函数调整所述主体网络的连接结构和网络精度；

其中，所述网络成本的计算公式为：

上式中，mi表示权重矩阵，其为可变量；t表示矩阵转置；aij表示连接矩阵a中第i个节点与第j个节点的连接情况；θj表示节点i对节点j的权重；ui表示每个节点vi在当前策略下的网络成本；a’表示建模后的所述主体网络的连接矩阵；l2，t表示所述主体网络的网络总成本；

所述网络误差的计算公式为：

l1，t＝||xt-yt||²；

上式中，xt表示输入的空间碎片的图像特征，yt为所述主体网络的输出；l1，t表示所述主体网络的精度；

所述优化目标函数的计算公式如下：

上式中，λg表示一个权重系数。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s3中空间碎片的分布复杂程度的计算公式如下：

hu＝f(x)；

其中，f(·)表示所述环境熵计算网络，hu表示环境熵。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s4中网络复杂程度的计算公式为：

hn＝g(hgraph)；

其中，将所述网络熵计算网络看作是一个图g＝(v,e)，网络计算熵网络的节点集合v＝{vi|i＝1，2...k}，每个节点vi与di个节点相连，连接强度是hgraph表示图形熵，用于计算图论表示下的网络连接复杂度；g(·)表示一个多层感知器，将图形熵hgraph映射到高维特征空间中，得到网络熵hn。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s5中利用熵平衡驱动因子的计算公式为：

q＝-λ(hu-hn)；

其中，q为熵平衡驱动因子，表示环境与网络之间的信息差，其用于调整网络的复杂程度；λ为比例系数。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s6中利用所述熵平衡驱动因子调整所述目标识别网络的网络成本，并改变所述目标识别网络的“增长”与“消退”策略，以改变其网络结构。

优选的，在上述一种基于类脑神经网络的空间碎片识别捕获方法中，s7中，所述天基探测器包括控制器和捕获器；所述目标识别网络对空间碎片进行编目与定位，并实时输出至所述控制器；所述控制器根据空间碎片的位置信息控制所述捕获器捕获相应的空间碎片；所述天基探测器在移动过程中，对所述目标识别网络进行冻结，直至完成捕获任务后，再继续调整所述目标识别网络的结构。

经由上述的技术方案可知，与现有技术相比，本发明具有以下优点：

1、本发明通过对主体网络的每个节点采取消长策略，使其演化为有效且低功耗的网络，由于网络连接的特点，这是一种小世界网络，每个节点之间的连接更为稀疏，但是在功能上不亚于复杂连接甚至全连接的网络，在能耗上大大降低。避免了传统机器学习方法模型固定，泛化能力差的问题。

2、本发明通过引入环境熵计算网络和网络熵计算网络分别计算环境熵和网络熵，分别描述空间碎片的分布复杂程度和目标识别网络的网络复杂程度，将环境熵与网络熵映射到同一个空间中，使其具有相同的物理含义，利用熵差分网络计算两种熵的差值，即熵平衡驱动因子，在熵平衡驱动因子的驱动下，目标识别网络的节点与成本函数变化，改变网络的消长策略，从而改变网络结构，实现网络结构随时空变化的自适应调整。同时，在博弈论框架下指导网络的演化，网络可以通过持续的学习，不断通过外界信息与网络复杂度的差值改变连接强度，使得网络可以持续学习，对于形态各异的空间碎片可以更好地学习，大大提高对空间碎片识别的准确率与速度。

本发明还提供一种基于类脑神经网络的空间碎片识别捕获系统，适用于上述的一种基于类脑神经网络的空间碎片识别捕获方法，包括：

输入模块，用于获取天基探测器观测到的空间碎片的图像信息

网络优化模块，用于构建主体网络，并分析所述主体网络中的每一个网络节点连接与断开的策略，根据所述策略对每个网络节点进行建模，将所述主体网络优化为目标识别网络；

环境熵计算模块，用于利用所述环境熵计算网络描述空间碎片的分布复杂程度；

网络熵计算模块，用于利用所述网络熵计算网络描述所述目标识别网络的网络复杂程度

熵平衡驱动因子计算模块，用于根据所述目标识别网络的网络复杂程度与所述空间碎片的分布复杂程度，获得熵平衡驱动因子；

自适应调整模块，用于在所述博弈论框架的指导下，利用所述熵平衡驱动因子自适应调整所述目标识别网络的网络结构，使所述目标识别网络的网络复杂程度与空间碎片的分布复杂程度相匹配；以及

捕获模块，用于建立空间碎片与天基探测器之间的信息闭环，使所述目标识别网络持续学习，并实时输出天基探测器与空间碎片的相对位置，直至空间碎片被捕获。

经由上述技术方案可知，本发明的输入为来自天基探测器的光学相机输入的空间碎片的图像，网络优化模块、环境熵计算模块、网络熵计算模块、熵平衡驱动因子计算模块和自适应调整模块组成了类脑神经网络，空间碎片的图像经过类脑神经网络后，输出对于空间碎片的编目与定位，传输到下游的捕获模块，即控制系统，以捕获空间碎片。控制系统的控制器为用于调整天基探测器的发动机参数等，并控制天基探测器与空间碎片的相对位置；被控对象为捕获器，可以根据实际需求在捕获爪或者捕获网中选择，通过调整捕获器的姿态进行目标捕获。

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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的一种基于类脑神经网络的空间碎片识别捕获方法流程图；

图2附图为本发明提供的目标识别网络在博弈论框架指导下的自适应调整原理图；

图3附图为本发明提供的主体网络的优化过程示意图；

图4附图为本发明提供的一种基于类脑神经网络的空间碎片识别捕获系统的结构框图；

图5附图为本发明提供的一种基于类脑神经网络的空间碎片识别捕获系统的工作流程图。

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。

如图1-2所示，本发明实施例公开了一种基于类脑神经网络的空间碎片识别捕获方法，其特征在于，包括以下步骤：

s1、获取天基探测器观测到的空间碎片的图像信息；

s2、构建主体网络，分析主体网络中的每一个网络节点连接与断开的策略，根据策略对每个网络节点进行建模，将主体网络优化为目标识别网络；

s3、引入环境熵计算网络，利用环境熵计算网络描述空间碎片的分布复杂程度；

s4、引入网络熵计算网络，利用网络熵计算网络描述目标识别网络的网络复杂程度；

s5、根据目标识别网络的网络复杂程度与空间碎片的分布复杂程度，获得熵平衡驱动因子；

s6、引入博弈论框架，在博弈论框架的指导下，利用熵平衡驱动因子自适应调整目标识别网络的网络结构，使目标识别网络的网络复杂程度与空间碎片的分布复杂程度相匹配；

s7、建立空间碎片与天基探测器之间的信息闭环，使目标识别网络持续学习，并实时输出天基探测器与空间碎片的相对位置，直至空间碎片被捕获。

下面对上述步骤进行具体描述。

s1、获取天基探测器观测到的空间碎片的图像信息：

为了更好地描述空间碎片图像的信息量，需要将获取的图像转化为向量的形式，即进行特征提取。对此，利用已有的图像特征提取工具对图像抽取一种或多种特征向量，并拼合为一个整体向量x＝(x1，x2，x3...xn)，其中xi表示第i种特征向量,表示m维的向量空间。

s2、构建主体网络，分析主体网络中的每一个网络节点连接与断开的策略，根据策略对每个网络节点进行建模，将主体网络优化为目标识别网络。

如图3所示，在图论的表示下，将目标识别网络看作是一个图g＝(v,e)，对网络节点进行建模，v＝{vi|i＝1，2...k}，e表示图g中的边的集合，k表示图g中的节点个数，即神经元个数；每个节点可以采取的策略是“增长”与“消退”，概率分别为p1，p2，每个节点i对第j个节点采取策略后做出的策略是sij：

si＝(si1，si2，...，sik)；si表示混合策略。

增长与消退形成的演化矩阵为：

若此时网络的连接矩阵为a，即

表示了网络的连接情况，则新的连接矩阵即为

为了更好地描述在博弈论框架下，主体网络的网络节点采取策略后整个网络的效果，需要根据策略选择进行网络成本ui进行计算，此时，根据新的连接进行网络成本ui进行计算，假设节点i对节点j的权重为θj，将其写入权重矩阵mi＝(θ1，θ2，...，θk)：

权重矩阵mi是一个可变量，通过调整权重矩阵，衡量当前连接策略下的网络成本，指导网络结构的进一步调整。t表示矩阵转置；aij表示连接矩阵a中第i个节点与第j个节点的连接情况。

本发明着眼于网络结构的调整问题，这是一个动态的过程，所以只在特定的时间t下计算损失函数才具有意义。在该问题下，我们需要计算出整个网络的成本，即：

上式表示每个节点在采取策略后的节点成本之和，也就是网络的总成本。而在具体的任务中，也需利用网络误差函数调整网络的精度，即：

l1，t＝||xt-yt||²；

其中，xt为输入的空间碎片的图像特征，yt为主体网络的输出，l1，t用于衡量网络的精确程度。

根据网络成本函数和网络误差函数获得优化目标函数，其计算公式如下：

其中，λg是一个权重系数，表示网络复杂度在优化过程中所占有的比重。

在主体网络工作时，反向传播不再执行，但是网络的精度仍然可以随着网路结构的变化而变化，所以通过将时间t-1时刻下的损失伴随下一时刻的输入一同输入网络，实现对网络精度和连接结构的双重调节，进而获得最终的目标识别网络。

如图2所示，s3、引入环境熵计算网络，利用环境熵计算网络描述空间碎片的分布复杂程度。

得到空间碎片的特征向量后，将特征向量x＝(x1，x2，x3...xn)输入环境熵计算网络，进行环境熵的计算，环境熵用于描述空间碎片的分布复杂程度。具体的计算方法如下：

hu＝f(x)

其中，f(·)表示环境熵计算网络，只需要采用简单的多层感知器即可；hu表示环境熵。多层感知器是一种前馈人工神经网络模型，可以将输入的多个数据集映射到单一的输出的数据集上。

s4、引入网络熵计算网络，利用网络熵计算网络描述目标识别网络的网络复杂程度。

利用网络熵计算网络对目标识别网络计算网络熵，可以将目标识别网络看作一个图g＝(v,e)。节点集合v＝{vi|i＝1，2...k}，每个节点i与di个节点相连，连接强度是

hn＝g(hgraph)；

上式中，hgraph是图形熵，直接计算得出了在图论表示下的目标识别网络的网络连接复杂度。g(·)也是一个多层感知器，可以将图形熵hgraph映射到高维特征空间中，得到网络熵hn。

s5、根据目标识别网络的网络复杂程度与空间碎片的分布复杂程度，获得熵平衡驱动因子。

经过熵计算网络后的信息熵与网络熵具有了相同的物理意义，所以可以进行相减，用以驱动网络结构的变化，利用熵差分网络计算熵平衡驱动因子。

q＝-λ(hu-hn)

其中，q是熵平衡驱动因子，代表了环境与网络之间的信息差，λ是比例系数。

s6、引入博弈论框架，在博弈论框架的指导下，利用熵平衡驱动因子自适应调整目标识别网络的网络结构，使目标识别网络的网络复杂程度与空间碎片的分布复杂程度相匹配。具体为，利用熵平衡驱动因子对目标识别网络的连接策略进行调整，即改变目标识别网络的“增长”与“消退”策略，以改变网络结构。通过目标识别网络的连接策略调整其网络成本，同时也需要通过计算网络误差对其精度进行调整。由于网络的连接策略发生了调整，因此其网络结构也会发生变化，通过网络结构的变化，使网络熵计算网络重新计算目标识别网络的网络复杂程度，再次与空间碎片的分布复杂程度进行匹配，循环往复，直至目标识别网络的网络复杂程度与空间碎片的分布复杂程度相匹配。进而实现了利用熵平衡驱动因子自适应调整目标识别网络的网络结构。

下面，详细介绍利用熵平衡因子是如何对目标识别网络的结构进行调整的。

为了便于显式t时刻，熵平衡驱动因子qt对于目标识别网络的网络结构调整的影响，t时刻，ui，t＝ui，t(si，t，qt)是节点vi在混合策略si，t下的成本函数。计算网络成本的权重矩阵mi，t(qt)的演化过程如下：

mi，t＝mi，t-1+fm(qt)；

其中，fm(·)是指导权重矩阵变化的指导多项式。由一个k阶多项式拟合而成：

上式中，γi是多项式的系数，是固定值。

网络节点的策略集合si，t随着熵平衡驱动因子的演化过程如下，其中，gs(·)是指导连接策略变化的多项式函数。

si，t＝si，t-1+gs(qt)

下式表示节点i与节点j的连接策略写作分量形式：

其中，gs(qt)|i[j]表示gs(qt)|i的第j个分量。

其中，为了保证有意义，对于gs(qt)|i[j]需要做出以下的约束：

所以，gs(qt)|i可以写成以下形式：

是一个多项式拟合函数。经过以上的处理，可以看出原本连接强度大的节点继续增强连接会被抑制增幅，保证了网络结构不会趋于固化，灵活可调。通过对熵平衡驱动因子的引入，网络可以实现随着环境的变化调整网络的结构，并且对网络的结构重新赋值，实现自适应调整网络结构的目的。

s7、建立空间碎片与天基探测器之间的信息闭环，使目标识别网络持续学习，并实时输出天基探测器与空间碎片的相对位置，直至空间碎片被捕获。在目标识别网络进行自适应调整后，

在实现轻量级且有效的目标识别网络后，建立空间碎片与天基探测器之间的信息闭环，使得网络持续学习，并实时输出天基探测器与空间碎片的相对位置，形成控制闭环，直到空间碎片被成功捕获。这个过程中，随着天基探测器的不停移动，周围环境不断变化，目标识别网络会持续接收天基探测器所观测到的空间碎片的图像，并进行持续学习。

为了确保在天基探测器移动过程中的识别稳定，需要对目标识别网络进行冻结，直到在实现捕获任务后才可以继续调整网络结构。在得到相对位置信息与自身姿态信息后，天基探测器可以通过传统的控制方法如卡尔曼滤波进行姿态调控与目标捕获。

通过上述步骤可知：

1、本发明通过对主体网络的每个节点采取消长策略，使其演化为有效且低功耗的网络，由于网络连接的特点，这是一种小世界网络，每个节点之间的连接更为稀疏，但是在功能上不亚于复杂连接甚至全连接的网络，在能耗上大大降低。避免了传统机器学习方法模型固定，泛化能力差的问题。

2、本发明通过引入环境熵计算网络和网络熵计算网络分别计算环境熵和网络熵，分别描述空间碎片的分布复杂程度和目标识别网络的网络复杂程度，将环境熵与网络熵映射到同一个空间中，使其具有相同的物理含义，利用熵差分网络计算两种熵的差值，即熵平衡驱动因子，在熵平衡驱动因子的驱动下，目标识别网络的节点与成本函数变化，改变网络的消长策略，从而改变网络结构，实现网络结构随时空变化的自适应调整。同时，在博弈论框架下指导网络的演化，网络可以通过持续的学习，不断通过外界信息与网络复杂度的差值改变连接强度，使得网络可以持续学习，对于形态各异的空间碎片可以更好地学习，大大提高对空间碎片识别的准确率与速度。

如图4-5所示，本发明实施例还提供一种基于类脑神经网络的空间碎片识别捕获系统，适用于上述的一种基于类脑神经网络的空间碎片识别捕获方法，包括：

输入模块，用于获取天基探测器观测到的空间碎片的图像信息

网络优化模块，用于构建主体网络，并分析主体网络中的每一个网络节点连接与断开的策略，根据策略对每个网络节点进行建模，将主体网络优化为目标识别网络；

环境熵计算模块，用于利用环境熵计算网络描述空间碎片的分布复杂程度；

网络熵计算模块，用于利用网络熵计算网络描述目标识别网络的网络复杂程度

熵平衡驱动因子计算模块，用于根据目标识别网络的网络复杂程度与空间碎片的分布复杂程度，获得熵平衡驱动因子；

自适应调整模块，用于在博弈论框架的指导下，利用熵平衡驱动因子自适应调整目标识别网络的网络结构，使目标识别网络的网络复杂程度与空间碎片的分布复杂程度相匹配；以及

捕获模块，用于建立空间碎片与天基探测器之间的信息闭环，使目标识别网络持续学习，并实时输出天基探测器与空间碎片的相对位置，直至空间碎片被捕获。

本发明中的网络优化模块、环境熵计算模块、网络熵计算模块、熵平衡驱动因子计算模块和自适应调整模块组成了类脑神经网络，类脑神经网络的输入为来自天基探测器的光学相机输入的空间碎片的图像或视频，空间碎片的图像或视频经过类脑神经网络后，检测并输出对于空间碎片的编目与定位，并将空间碎片的位置信息传输到下游的捕获模块。捕获模块包括控制器和捕获器，控制器根据空间碎片的位置信息调整捕获器的空间姿态，使其靠近空间碎片并进行捕获。

天基探测器在移动过程中，对目标识别网络的参数进行冻结，直至完成捕获任务后，再继续调整目标识别网络的结构。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。