CN105825231A - 一种基于人工智能的空间碎片光谱特征分类方法 - Google Patents

Abstract

一种基于人工智能的空间碎片光谱特征分类方法，包括如下步骤：步骤1，碎片光谱数据采集；步骤2，光谱数据归一化预处理；步骤3，深度网络模型训练，采用随机梯度下降算法，对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。本发明有效适用于深空环境、准确性更高。

Description

一种基于人工智能的空间碎片光谱特征分类方法

技术领域

本发明涉及载人航天实施空间监测技术领域，尤其是一种空间碎片类型分析方法。

背景技术

自1957年10月前苏联发射首颗人造地球卫星以来，人类几十年的空间探索活动产生了大量的空间碎片，对人类航天活动的安全造成严重威胁，成为空间环境的主要污染源，并在一定程度上对航天活动的正常开展产生了影响。

随着中国的经济发展以及国家安全的需要，航天空间活动将愈来愈多，并在不久的将来，对应用卫星的需求更可能大增。这些应用卫星与国民经济关系密切，一旦受损，社会影响、经济影响巨大，甚至危及国家安全；而这些卫星运行区域大都分布在低轨道，处于空间碎片密集区域，受碰撞损伤的威胁很高。同时，持续开展载人航天活动、建立永久的有人值守轨道空间站，将会是中国航天事业发展的必然趋势。所以可以预期，对载人航天实施空间监测、预警也会成为中国航天不可回避的事实，在这样的背景下，对空间碎片的观测技术进行研究，具有重要的现实意义和研究价值。

传统空间碎片测量以位置信息测量为主，包括碎片的三维位置坐标、速度、加速度等参数,可衍生出各类地球轨道参数。为了提高碎片的监测预警能力,对测量系统除了要求获得其位置信息之外,更需要获得碎片的特征信息，如碎片的形状、体积、表面材料参数等特征信息，它对空间监测、预警尤为重要。

人造天体碎片的大小、形状、材料类别的确定，对于空间环境监测和预警至关重要。光谱测量技术是天体碎片分析的一种重要方法，人造天体碎片一般本身并不发光，其亮度来自太阳光的反射,仅由亮度变化不足以分辨碎片的材料组成，分析其光谱特征成为我们辨认碎片类别的主要手段。

在地基(地面观测站)条件下，光谱仪所获取光谱由碎片材料成分、太阳光谱、地球大气吸收谱，以及测量过程中产生的噪声等因素综合决定，因而由光谱推断碎片种类并没有一个解析解。本发明采用深度网络学习算法，对碎片类型作分类。

空间碎片的测量有雷达测量和光学测量，雷达测量可以克服天气、太阳和及地影的影响，能全天候全天时工作，但由于雷达测量时，其反射回波信号的强度与距离的四次方成反比，因而雷达测量比较适合于低地球轨道的小碎片；另外雷达测量需要发射信号，属于主动探测形式，这在某些情形下可能不合适。

而对于无源光学测量，信号反射强度与物体的距离的平方成反比，因而能探测高轨道碎片，另外它仅接收碎片对太阳光的反射，属于被动探测形式，可较好的适合于某些特殊场合。

发明内容

为了克服已有空间碎片分类方法无法适用于深空环境、准确性较差的不足，本发明提供一种有效适用于深空环境、准确性更高的基于人工智能的空间碎片光谱特征分类方法。

本发明解决其技术问题所采用的技术方案是：

一种基于人工智能的空间碎片光谱特征分类方法，所述分类方法包括如下步骤：

步骤1，碎片光谱数据采集；

利用光谱仪，采集碎片光谱数据；

步骤2，光谱数据归一化预处理；

步骤3，深度网络模型训练；

3.1)权值初始化：取区间为均匀随机值：

$4*\[-\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}},\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}}\]$

其中fan_in表示网络每层输入节点数，fan_out表示网络每层输出节点数；

3.2)神经元的激励函数选择为sigmoid函数，对变量a，函数形式为：

sigmoid(a)＝1/(1+e^-a)

3.3)设定学习率；

3.4)选定批训练大小；

3.5)调试每层节点数；

3.6)采用堆栈去噪自编码做逐层预训练，设定训练回合数；

3.7)学习算法采用随机梯度下降算法；

3.8)对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；

步骤4，碎片类型分类；

对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。

进一步，所述步骤2中，光谱数据归一化预处理过程如下：

2.1)记光谱矢量为x∈R^d，若则剔除该条光谱矢量，即当获取的光谱较暗时，去除该条光谱；

2.2)同一观测圈次中n条光谱，记为x_j∈R^d,j＝1,...,n，计算平均矢量并计算各条光谱矢量到光谱平均矢量的欧式距离D_j＝||x_j-μ||,j＝1,...,n，其中||·||表示矢量的欧氏范数，记D_j,j＝1,...,n的中值为D，标准差为Δ，采用如下判别离群点：

本发明的有益效果主要表现在：有效适用于深空环境、准确性更高。

附图说明

图1是基于人工智能的空间碎片光谱特征分类方法的流程图。

图2是可见光谱材料谱的示意图。

图3是可见光谱混合谱的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图3，一种基于人工智能的空间碎片光谱特征分类方法，包括如下步骤：

步骤1，碎片光谱数据采集；

利用光谱仪，采集碎片光谱数据；

步骤2，光谱数据归一化预处理；

由于噪声等因素影响，所获取光谱数据中存在某些离群点，为此采用如下方法剔除离群点：

2.1)记光谱矢量为x∈R^d，若则剔除该条光谱矢量，即当获取的光谱较暗时，去除该条光谱；

2.2)同一观测圈次中n条光谱，记为x_j∈R^d,j＝1,...,n，计算平均矢量并计算各条光谱矢量到光谱平均矢量的欧式距离D_j＝||x_j-μ||,j＝1,...,n，其中||·||表示矢量的欧氏范数，记D_j,j＝1,...,n的中值为D，标准差为Δ，采用如下判别离群点：

步骤3，深度网络模型训练；

3.1)权值初始化：取区间为均匀随机值：

$4*\[-\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}},\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}}\]$

其中fan_in表示网络每层输入节点数，fan_out表示网络每层输出节点数；

3.2)神经元的激励函数选择为sigmoid函数：

sigmoid(a)＝1/(1+e^-a)

3.3)学习率：选择为0.1；

3.4)批训练大小(minibatch)：选择为64或10；

3.5)每层节点数，由实验调试，最后选择为3隐层，各隐层节点数分别为300、100、100；

3.6)采用堆栈去噪自编码做逐层预训练，训练回合数(epoch)，取100；

3.7)学习算法采用随机梯度下降算法；

3.8)对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法(BP)对网络作精细化调整，采用变学习率方法，分别取学习率为0.1、0.01、0.001，训练回合数各取150，完成深度网络训练，得到最终深度学习网络模型；

步骤4，碎片类型分类；

对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。

仿真模拟例子：一种基于人工智能的空间碎片光谱特征分类方法，包括如下步骤：

步骤1.数据采集

将5种材料谱随机取3种，共得到10种不同组合，并作为不同类别标志(10类)，随机选择混合比例系数(和为1)，加上1％能量的高斯噪声，每种类别混合数为7,000，共得到70,000条混合光谱，并将之分为不相交的训练集(50,000)、有效集(10,000)、测试集(10,000)。

步骤2.深度网络训练，参照表1和表2.

表1

表2

步骤3.类别测试：以所获得的训练后的深度学习模型，对测试集样本类别加以测试，得到类别准确率90％。

Claims (2)

1.一种基于人工智能的空间碎片光谱特征分类方法，其特征在于：所述分类方法包括如下步骤：

步骤1，碎片光谱数据采集；

利用光谱仪，采集碎片光谱数据；

步骤2，光谱数据归一化预处理；

步骤3，深度网络模型训练；

3.1)权值初始化：取区间为均匀随机值：

$4*\[-\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}},\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}}\]$

其中fan_in表示网络每层输入节点数，fan_out表示网络每层输出节点数；

3.2)神经元的激励函数选择为sigmoid函数，对变量a，函数形式为：

sigmoid(a)＝1/(1+e^-a)

3.3)设定学习率；

3.4)选定批训练大小；

3.5)调试每层节点数；

3.6)采用堆栈去噪自编码做逐层预训练，设定训练回合数；

3.7)学习算法采用随机梯度下降算法；

3.8)对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；

步骤4，碎片类型分类；

对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。

2.如权利要求1所述的一种基于人工智能的空间碎片光谱特征分类方法，其特征在于：所述步骤2中，光谱数据归一化预处理过程如下：

2.1)记光谱矢量为x∈R^d，若则剔除该条光谱矢量，即当获取的光谱较暗时，去除该条光谱；

2.2)同一观测圈次中n条光谱，记为x_j∈R^d,j＝1,...,n，计算平均矢量并计算各条光谱矢量到光谱平均矢量的欧式距离D_j＝||x_j-μ||,j＝1,...,n，其中||·||表示矢量的欧氏范数，记D_j,j＝1,...,n的中值为D，标准差为Δ，采用如下判别离群点：