CN102680969A - 一种利用rcs的航天器姿态稳定性判别方法 - Google Patents
一种利用rcs的航天器姿态稳定性判别方法 Download PDFInfo
- Publication number
- CN102680969A CN102680969A CN2012101331623A CN201210133162A CN102680969A CN 102680969 A CN102680969 A CN 102680969A CN 2012101331623 A CN2012101331623 A CN 2012101331623A CN 201210133162 A CN201210133162 A CN 201210133162A CN 102680969 A CN102680969 A CN 102680969A
- Authority
- CN
- China
- Prior art keywords
- rcs
- sigma
- neural network
- attitude
- spacecraft
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明涉及一种利用RCS的航天器姿态稳定性判别方法,其特征在于步骤如下:RCS序列格式正确时进行分段,然后进行离散小波变换得到离散小波变换系数并提取小波变换特征;将变换特征进行了归一化处理,然后再输入三层的BP神经网络,当BP神经网络误差函数E(W)达到最小值的时候,根据BP神经网络的输出值判别航天器的姿态稳定性;所述输出值的0表示姿态稳定,1表示姿态翻滚。本发明利用这些特征能够进行航天器姿态稳定判别,实测数据证明,该方法对空间目标姿态稳定性识别率在90%以上且运行速度较快(单个目标识别时间小于2s)。
Description
技术领域
本发明属于航天测量与控制领域,涉及一种利用RCS的航天器姿态稳定性判别方法,适用于利用雷达RCS测量时间序列判别航天器姿态稳定性。
背景技术
地基雷达探测是目前进行非合作空间目标监视的主要手段之一。航天器故障期间,特别是卫星下行遥测中断时,航天测控网已不能完成对卫星故障的分析判断,需要通过非合作式的测量手段对目标进行测量,与航天器正常状态时的非合作式测量数据进行对比,分析判断故障目标状态,为航天器故障抢救的方案决策提供技术支持。
RCS是航天器目标特性的重要参数,由于空间目标的运动、空间环境及测量设备等因素导致了目标RCS测量值的不确定性,使得利用RCS进行航天器姿态的精确估计比较困难。但是对于翻滚和三轴稳定两种姿态的航天器,前者相对于雷达视线的姿态角变化快于后者,因此翻滚姿态目标的RCS序列比三轴稳定姿态目标的RCS序列起伏快,由此可以判定航天器的姿态稳定性。马君国等利用高阶统计量识别空间目标(马君国,赵宏钟,张军等.基于高阶统计量的低分辨率雷达空间目标识别[J].信号处理.2006,22(2):211-214),采用多假设检验作为分类器识别三轴稳定卫星、自旋稳定卫星和碎片三类典型空间目标,但是该方法建立在仿真数据基础上,实测数据证实其识别率较低。徐昕等利用小波变换提取空间目标RCS均值、有效秩和最大奇异值等特征,采用模糊分类识别三轴稳定和自旋稳定目标,该方法在单圈跟踪数据中选取实验数据进行识别时,,空间目标与雷达之间的距类、角度等信息都比较稳定,数据所携带的类别信息相对比较少,造成模糊识别的识别率较低(小于60%)且运行效率不高。(徐昕,赵安军,吉莎杉等.基于RCS的空间目标识别研究[J].火力与指挥控制.2010,35(10):134-136)。
发明内容
要解决的技术问题
为了避免现有技术的不足之处,本发明提出一种利用RCS的航天器姿态稳定性判别方法,采用BP神经网络的方法进行目标姿态稳定分类的方法。
技术方案
一种利用RCS的航天器姿态稳定性判别方法,其特征在于步骤如下:
步骤1判断RCS序列格式是否正确:当某圈次输入的RCS序列与时间序列及雷达设备跟踪状态序列长度一致时,依据雷达设备跟踪状态剔除无效点后,将RCS序列和时间序列按1分钟1段进行分段,得到分段的RCS序列
步骤2:对分段的RCS序列进行小波变换并提取特征,具体步骤如下:
步骤a:将分段的RCS序列以进行离散小波变换得到离散小波变换系数,其中,x(n)为窄带雷达RCS数据,n=0,1,Λ,N,N为雷达观测数据的长度b=1,2,...,N,a=1,2,...,M为尺度参数,b=1,2,...,N为时间参数;
步骤b:以A=|Wx(a,b)|,然后由A提取的7个有效统计特征如下:
最大值和均值之比特征:提取A中元素最大值a,均值得到最大值和均值之比特征为:t1=a/b;
最大奇异值特征:将A看作M×N维矩阵,则分别存在一个M×M维和N×N维酉阵U和V,使得A=U∑VH,并按σ11≥σ22≥Λ≥σhh≥0顺序排列,最大奇异值特征为:t2=σ11;其中上标H表示矩阵的共轭转置,∑是一个M×N维对角矩阵,其主对角线上的元素是非负的,h=min(M,N);
方差特征:
中心矩特征:t4=u22,t5=u24,t6=u42,t7=u44,
其中: (p,q)=(2,2)、(2,4)、(4,2)、(4,4);
所述
步骤3利用神经网络失别:采用i=1,L,m将步骤2得到的分段的RCS序列小波变换特征进行归一化处理,然后再输入三层的BP神经网络,当BP神经网络误差函数E(W)达到最小值的时候,根据BP神经网络的输出值判别航天器的姿态稳定性;所述输出值的0表示姿态稳定,1表示姿态翻滚;
其中:t1为待识别目标特征,t2Ltm为样本目标特征,tgi为归一化后的目标特征。
所述BP神经网络为三层BP神经网络,输入层有3个神经元,隐含层有10个神经元,输出层有2个神经元。
有益效果
本发明提出的一种利用RCS的航天器姿态稳定性判别方法,由于周期性的翻滚使得翻滚类空间目标的RCS时间序列具有明显的周期性,与三轴稳定类目标的RCS时间序列有明显区别,本发明提取RCS时间序列的特征量进行航天器稳定性判别。在实验中,对RCS时间序列进行小波变换,提取小波变换后的各种特征进行了分析,经过大量实测数据验证,发现小波变换后两类目标的最大奇异值、最大值和均值比、方差、中心矩等特征具有可分性,利用这些特征能够进行航天器姿态稳定判别,实测数据证明,该方法对空间目标姿态稳定性识别率在90%以上且运行速度较快(单个目标识别时间小于2s)。
附图说明
图1:本发明方法的步骤流程图
具体实施方式
现结合实施例、附图对本发明作进一步描述:
某空间目标的实测RCS序列为例(该目标实测RCS序列文件名为10000.rcs),说明本发明的具体实施方式。用本发明的识别软件打开10000.rcs中对应数据列中取出设备跟踪状态标识、数据采用率、RCS序列和时间序列。
本发明实施例步骤如下:
步骤1判断RCS序列格式是否正确:当某圈次输入的RCS序列与时间序列及雷达设备跟踪状态序列长度一致时,依据雷达设备跟踪状态剔除无效点后,将RCS序列和时间序列按1分钟1段进行分段,得到分段的RCS序列;
步骤2:对分段的RCS序列进行小波变换并提取特征,具体步骤如下:
1利用小波变换的特征提取
选择对尺度参数a和时间参数b进行离散化,设窄带雷达RCS数据x(n),n=0,1,Λ,N,N为雷达观测数据的长度,则x(n)的离散小波变换为
其中,b=1,2,...,N,a=1,2,...,M。令A=|Wx(a,b)|,选取由A提取的7个有效统计特征如下:
(1)最大值和均值之比特征
t1=a/b (2)
(2)最大奇异值特征
将A看作M×N维矩阵,则分别存在一个M×M维和N×N维酉阵U和V,使得A=U∑VH,其中上标H表示矩阵的共轭转置,∑是一个M×N维对角矩阵,其主对角线上的元素是非负的,并按下列顺序排列:σ11≥σ22≥Λ≥σhh≥0,式中h=min(M,N)。则最大奇异值特征为:
t2=σ11 (3)
(4)方差特征
(5)中心矩特征
令 A的中心矩定义为:
分别令(p,q)=(2,2)、(2,4)、(4,2)、(4,4),可以提取中心矩特征t4=u22,t5=u24,t6=u42,t7=u44。
步骤3:神经网络识别
考虑到分类识别和工程应用的需求,实验选取了算法简单,便于实现的BP神经网络。由于提取的7种小波变换特征值之间相差较大,直接作为BP神经网络的输入,网络不收敛。根据实际情况,我们采用i=1,L,m对特征值进行了归一化处理,使用归一化处理后的特征值进行识别,使用基本的BP神经网络算法就可以达到较好的识别效果,网络收敛速度较快。然后再输入三层的BP神经网络,当BP神经网络误差函数E(W)达到最小值的时候,根据BP神经网络的输出值判别航天器的姿态稳定性;所述输出值的0表示姿态稳定,1表示姿态翻滚;
使用BP神经网络首先需要对其进行训练,使其通过对一定数量的样本数据进行学习后,具备识别新样本数据的能力。实验中选取三层BP神经网络,设输入层有n个神经元,隐含层有p个神经元,输出层有m个神经元,根据特征提取结果和识别要求,取n=7,p=5,m=2。xi表示输入层第i个神经元,yh表示隐含层第h个神经元,zj表示输出层第j个神经元,wih表示输入层第i个神经元和隐含层第h个神经元之间的连接权值,whj表示隐含层第h个神经元和输出层第j个神经元之间的连接权值。
隐藏层第h个神经元的输入为:
θh为结点门限。
隐藏层第h个神经元的输出为:
yh=F(sh) (7)
其中F(s)是传递函数,采用S形压缩函数:
输出层第j个神经元的输入加权和为:
输出层第j个神经元的输出为:
zj=F(sj) (10)
误差函数采用:
tj为要求的理想输出。
为使误差函数值最小,用梯度下降法求得优化的权值。权值修正量先从输出层开始修正,然后依次修正前层权值。网络任意层的连接权值修正量可以写成如下一般形式:
Δwpq=ηδqyp (12)
yp代表输入端点实际输入,δq表示输出端点的误差。δq的含义由具体的层决定,η为训练速率。
设m个空间目标某种特征为ti,i=1,L,m。其中t1为待识别目标特征,t2Ltm为样本目标特征,归一化处理方法采用:
tgi为归一化后的目标特征。
以下为一个利用RCS的航天器姿态稳定性判别方法的实现实例:
首先对航天器RCS时间序列一个测量弧段进行离散小波变换,然后提取以上列举的小波变换后的七个统计特征,包括最大值和均值之比特征、最大奇异值特征、方差特征和四个中心矩特征,再对七个统计特征进行归一化处理,最后根据处理后的特征值使用BP神经网络判别航天器的姿态稳定性。
首先提取RCS小波变换特征,表1和表2列举了某卫星失效前后的小波变换特征特征值。
表1卫星三轴稳定姿态小波变换特征值(反射角70°~80°)
表2卫星翻滚姿态小波变换特征值(反射角70°~80°)
实验中选取已知姿态的4个翻滚姿态目标和4个三轴稳定姿态目标各12个测量弧段数据作为样本进行神经网络的训练,设定期望误差值0.02,学习速率0.01,卫星翻滚姿态输出为0,卫星三轴稳定姿态输出为1。使用训练好的网络对测量目标RCS序列进行姿态稳定性判别,取两类目标输出中值为阈值:λ=0.5。列举部分具体结果如下:
表1卫星姿态三轴稳定识别结果
数据 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
结果 | 0.8745 | 1.0961 | 0.9747 | 0.8702 | 0.9092 | 1.0113 | 0.9198 | 0.94713 | 0.76275 | 0.89467 |
表2卫星姿态翻滚识别结果
数据 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
结果 | 0.0199 | 0.0066 | 0.0291 | -0.0125 | 0.0155 | 0.0151 | -0.0038 | -0.0137 | -0.0041 | -0.0093 |
从多圈次实测数据的卫星姿态识别结果可以看出,该算法取得了90%以上识别率,取得了较好的结果。这是由于小波变换可以将信号的局部特性在时间-尺度平面上清晰地表现出来,进而有利于提取出目标的有效统计特征。从而获得较高的识别率。
Claims (2)
1.一种利用RCS的航天器姿态稳定性判别方法,其特征在于步骤如下:
步骤1判断RCS序列格式是否正确:当某圈次输入的RCS序列与时间序列及雷达设备跟踪状态序列长度一致时,依据雷达设备跟踪状态剔除无效点后,将RCS序列和时间序列按1分钟1段进行分段,得到分段的RCS序列;
步骤2:对分段的RCS序列进行小波变换并提取特征,具体步骤如下:
步骤a:将分段的RCS序列以进行离散小波变换得到离散小波变换系数,其中,x(n)为窄带雷达RCS数据,n=0,1,Λ,N,N为雷达观测数据的长度b=1,2,...,N,a=1,2,...,M为尺度参数,b=1,2,...,N为时间参数;
步骤b:以A=|Wx(a,b)|,然后由A提取的7个有效统计特征如下:
最大奇异值特征:将A看作M×N维矩阵,则分别存在一个M×M维和N×N维酉阵U和V,使得A=U∑VH,并按σ11≥σ22≥Λ≥σhh≥0顺序排列,最大奇异值特征为:t2=σ11;其中上标H表示矩阵的共轭转置,∑是一个M×N维对角矩阵,其主对角线上的元素是非负的,h=min(M,N);
方差特征:
中心矩特征:t4=u22,t5=u24,t6=u42,t7=u44,
其中: (p,q)=(2,2)、(2,4)、(4,2)、(4,4);
所述
步骤3利用神经网络失别:采用i=1,L,m将步骤2得到的分段的RCS序列小波变换特征进行归一化处理,然后再输入三层的BP神经网络,当BP神经网络误差函数E(W)达到最小值的时候,根据BP神经网络的输出值判别航天器的姿态稳定性;所述输出值的0表示姿态稳定,1表示姿态翻滚;
2.根据权利要求1所述的利用RCS的航天器姿态稳定性判别方法,其特征在于:所述BP神经网络为三层BP神经网络,输入层有3个神经元,隐含层有10个神经元,输出层有2个神经元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101331623A CN102680969A (zh) | 2012-05-02 | 2012-05-02 | 一种利用rcs的航天器姿态稳定性判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2012101331623A CN102680969A (zh) | 2012-05-02 | 2012-05-02 | 一种利用rcs的航天器姿态稳定性判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102680969A true CN102680969A (zh) | 2012-09-19 |
Family
ID=46813181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2012101331623A Pending CN102680969A (zh) | 2012-05-02 | 2012-05-02 | 一种利用rcs的航天器姿态稳定性判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102680969A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104215935A (zh) * | 2014-08-12 | 2014-12-17 | 电子科技大学 | 一种基于决策加权融合的雷达炮弹目标识别方法 |
TWI588511B (zh) * | 2015-02-13 | 2017-06-21 | 臺醫光電科技股份有限公司 | 光學感測配件、光學感測裝置與光學感測系統 |
CN107063131A (zh) * | 2017-06-02 | 2017-08-18 | 四川大学 | 一种时间序列相关无效测量点去除方法及系统 |
CN108021114A (zh) * | 2017-12-22 | 2018-05-11 | 深圳市智物联网络有限公司 | 一种数据处理方法以及处理设备 |
CN109214365A (zh) * | 2018-10-24 | 2019-01-15 | 李云涛 | 一种遍历随机森林空间目标分类识别方法 |
CN110196855A (zh) * | 2019-05-07 | 2019-09-03 | 中国人民解放军海军航空大学岸防兵学院 | 基于秩和的性能退化数据与故障数据的一致性检验方法 |
CN111208485A (zh) * | 2020-01-16 | 2020-05-29 | 中国人民解放军63921部队 | 一种基于分段多项式拟合的空间目标rcs特性识别方法 |
CN112255615A (zh) * | 2020-09-30 | 2021-01-22 | 四川九洲空管科技有限责任公司 | 一种雷达动平台电子波束稳定及补偿系统 |
CN114111806A (zh) * | 2022-01-21 | 2022-03-01 | 中国人民解放军32035部队 | 基于光度频谱特征的空间目标姿态稳定性估计方法及装置 |
CN116203525A (zh) * | 2023-04-27 | 2023-06-02 | 中国人民解放军32035部队 | 一种基于rcs滑动排列熵的空间目标识别方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5281972A (en) * | 1992-09-24 | 1994-01-25 | Hughes Aircraft Company | Beam summing apparatus for RCS measurements of large targets |
US5534873A (en) * | 1995-02-07 | 1996-07-09 | Mcdonnell Douglas Corp. | Near field RCS test facility and testing method |
US5748151A (en) * | 1980-12-17 | 1998-05-05 | Lockheed Martin Corporation | Low radar cross section (RCS) high gain lens antenna |
-
2012
- 2012-05-02 CN CN2012101331623A patent/CN102680969A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5748151A (en) * | 1980-12-17 | 1998-05-05 | Lockheed Martin Corporation | Low radar cross section (RCS) high gain lens antenna |
US5281972A (en) * | 1992-09-24 | 1994-01-25 | Hughes Aircraft Company | Beam summing apparatus for RCS measurements of large targets |
US5534873A (en) * | 1995-02-07 | 1996-07-09 | Mcdonnell Douglas Corp. | Near field RCS test facility and testing method |
Non-Patent Citations (2)
Title |
---|
徐昕等: "基于RCS的空间目标识别研究", 《火力与指挥控制》 * |
赵安军等: "基于RCS的空间目标特征提取与识别研究", 《PROCEEDINGS OF THE 27TH CHINESE CONTROL CONFERENCE》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104215935A (zh) * | 2014-08-12 | 2014-12-17 | 电子科技大学 | 一种基于决策加权融合的雷达炮弹目标识别方法 |
CN104215935B (zh) * | 2014-08-12 | 2016-08-31 | 电子科技大学 | 一种基于决策加权融合的雷达炮弹目标识别方法 |
TWI588511B (zh) * | 2015-02-13 | 2017-06-21 | 臺醫光電科技股份有限公司 | 光學感測配件、光學感測裝置與光學感測系統 |
CN107063131B (zh) * | 2017-06-02 | 2019-09-03 | 四川大学 | 一种时间序列相关无效测量点去除方法及系统 |
CN107063131A (zh) * | 2017-06-02 | 2017-08-18 | 四川大学 | 一种时间序列相关无效测量点去除方法及系统 |
CN108021114A (zh) * | 2017-12-22 | 2018-05-11 | 深圳市智物联网络有限公司 | 一种数据处理方法以及处理设备 |
CN109214365A (zh) * | 2018-10-24 | 2019-01-15 | 李云涛 | 一种遍历随机森林空间目标分类识别方法 |
CN110196855A (zh) * | 2019-05-07 | 2019-09-03 | 中国人民解放军海军航空大学岸防兵学院 | 基于秩和的性能退化数据与故障数据的一致性检验方法 |
CN110196855B (zh) * | 2019-05-07 | 2023-03-10 | 中国人民解放军海军航空大学岸防兵学院 | 基于秩和的性能退化数据与故障数据的一致性检验方法 |
CN111208485A (zh) * | 2020-01-16 | 2020-05-29 | 中国人民解放军63921部队 | 一种基于分段多项式拟合的空间目标rcs特性识别方法 |
CN111208485B (zh) * | 2020-01-16 | 2023-04-07 | 中国人民解放军63921部队 | 一种基于分段多项式拟合的空间目标rcs特性识别方法 |
CN112255615A (zh) * | 2020-09-30 | 2021-01-22 | 四川九洲空管科技有限责任公司 | 一种雷达动平台电子波束稳定及补偿系统 |
CN114111806A (zh) * | 2022-01-21 | 2022-03-01 | 中国人民解放军32035部队 | 基于光度频谱特征的空间目标姿态稳定性估计方法及装置 |
CN116203525A (zh) * | 2023-04-27 | 2023-06-02 | 中国人民解放军32035部队 | 一种基于rcs滑动排列熵的空间目标识别方法和装置 |
CN116203525B (zh) * | 2023-04-27 | 2023-07-28 | 中国人民解放军32035部队 | 一种基于rcs滑动排列熵的空间目标识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102680969A (zh) | 一种利用rcs的航天器姿态稳定性判别方法 | |
CN109612708B (zh) | 基于改进卷积神经网络的电力变压器在线检测系统及方法 | |
Eslami et al. | A real-time hourly ozone prediction system using deep convolutional neural network | |
CN102192927B (zh) | 一种基于电子鼻技术的空气质量监测系统及其监测方法 | |
Xia et al. | A hybrid method based on extreme learning machine and k-nearest neighbor for cloud classification of ground-based visible cloud image | |
Li et al. | Road network extraction via deep learning and line integral convolution | |
CN103728551B (zh) | 一种基于级联集成分类器的模拟电路故障诊断方法 | |
Ghofrani et al. | A novel soft computing framework for solar radiation forecasting | |
CN102722892B (zh) | 基于低秩矩阵分解的sar图像变化检测方法 | |
Cang et al. | Time series analysis | |
CN104459668A (zh) | 基于深度学习网络的雷达目标识别方法 | |
Wu et al. | A hybrid support vector regression approach for rainfall forecasting using particle swarm optimization and projection pursuit technology | |
CN103245907A (zh) | 一种模拟电路故障诊断方法 | |
CN104680151B (zh) | 一种顾及雪覆盖影响的高分辨全色遥感影像变化检测方法 | |
CN107817466B (zh) | 基于堆叠受限玻尔兹曼机和随机森林算法的室内定位方法 | |
CN109255339B (zh) | 基于自适应深度森林人体步态能量图的分类方法 | |
CN114742102B (zh) | 一种nlos信号识别方法及系统 | |
CN111586605A (zh) | 基于邻近加权自适应k值的KNN的室内目标定位方法 | |
CN106250787B (zh) | 一种低代价高鲁棒性的非绑定式活动识别方法 | |
Kirichenko et al. | Machine learning classification of multifractional Brownian motion realizations | |
CN102831445B (zh) | 基于语义Hough变换和偏最小二乘法的目标检测方法 | |
CN103177264B (zh) | 基于视觉词典全局拓扑表达的图像分类方法 | |
Sony | Towards multiclass damage detection and localization using limited vibration measurements | |
Kurniawan et al. | Implementation of convolutional neural network and multilayer perceptron in predicting air temperature in padang | |
CN103426001B (zh) | Sar图像目标识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120919 |