CN102680969A - 一种利用rcs的航天器姿态稳定性判别方法 - Google Patents

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

一种利用RCS的航天器姿态稳定性判别方法

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＝|W_x(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∑V^H，并按σ₁₁≥σ₂₂≥Λ≥σ_hh≥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： $t_3=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[A(i,j)-b]}^2;$

中心矩特征：t₄＝u₂₂，t₅＝u₂₄，t₆＝u₄₂，t₇＝u₄₄，

其中： $u_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left[{(i-t_6)}^p{(j-c_1)}^{q}A(i,j)\right],$ (p，q)＝(2，2)、(2，4)、(4，2)、(4，4)；

所述 $c_1=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}[j\·A(i,j)]}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}A(i,j)};$

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，t₂Lt_m为样本目标特征，tg_i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

$W_x(a,b)=\underset{n=1}{\overset{N}{\mathrm{\Σ}}}x\left(n\right){\mathrm{\ψ}}^{*}\left(\frac{n-b}{a}\right)---\left(1\right)$

其中，b＝1，2，...，N，a＝1，2，...，M。令A＝|W_x(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

提取A中元素最大值a，均值

则最大值和均值之比特征为：

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∑V^H，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≥σ_hh≥0，式中h＝min(M，N)。则最大奇异值特征为：

t₂＝σ₁₁           (3)

(4)方差特征

$t_3=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[A(i,j)-b]}^2---\left(4\right)$

(5)中心矩特征

令 $c_1=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}[j\·A(i,j)]}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}A(i,j)},$ A的中心矩定义为：

$u_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left[{(i-t_6)}^p{(j-c_1)}^{q}A(i,j)\right]---\left(5\right)$

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。x_i表示输入层第i个神经元，y_h表示隐含层第h个神经元，z_j表示输出层第j个神经元，w_ih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，w_hj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：

$s_h=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i-{\mathrm{\θ}}_h---\left(6\right)$

θ_h为结点门限。

隐藏层第h个神经元的输出为：

y_h＝F(s_h)        (7)

其中F(s)是传递函数，采用S形压缩函数：

$F\left(s\right)=\frac{1}{1+e^{-s}}---\left(8\right)$

输出层第j个神经元的输入加权和为：

$.s_j=\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{hj}}{y}_h-{\mathrm{\θ}}_j=\underset{h=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{hj}}F\left(\underset{i=0}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ih}}{x}_i\right)-{\mathrm{\θ}}_j---\left(9\right)$

输出层第j个神经元的输出为：

z_j＝F(s_j)      (10)

误差函数采用：

$E\left(W\right)=\frac{1}{2}\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{(t_j-z_j)}^2---\left(11\right)$

t_j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：

Δw_pq＝ηδ_qy_p           (12)

y_p代表输入端点实际输入，δ_q表示输出端点的误差。δ_q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t_i，i＝1，L，m。其中t₁为待识别目标特征，t₂Lt_m为样本目标特征，归一化处理方法采用：

${\mathrm{tg}}_i=t_i\sqrt{1/k},$ i＝1，L，m          (13)

$k=(t_1^2+L+t_m^2)/m---\left(14\right)$

tg_i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＝|W_x(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∑V^H，并按σ₁₁≥σ₂₂≥Λ≥σ_hh≥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： $t_3=\frac{1}{M\×N}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{[A(i,j)-b]}^2;$

中心矩特征：t₄＝u₂₂，t₅＝u₂₄，t₆＝u₄₂，t₇＝u₄₄，

其中： $u_{\mathrm{pq}}=\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}\left[{(i-t_6)}^p{(j-c_1)}^{q}A(i,j)\right],$ (p，q)＝(2，2)、(2，4)、(4，2)、(4，4)；

所述 $c_1=\frac{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}[j\·A(i,j)]}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}A(i,j)};$

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，t₂Lt_m为样本目标特征，tg_i为归一化后的目标特征。

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。

Images