CN105825231A - 一种基于人工智能的空间碎片光谱特征分类方法 - Google Patents
一种基于人工智能的空间碎片光谱特征分类方法 Download PDFInfo
- Publication number
- CN105825231A CN105825231A CN201610147324.7A CN201610147324A CN105825231A CN 105825231 A CN105825231 A CN 105825231A CN 201610147324 A CN201610147324 A CN 201610147324A CN 105825231 A CN105825231 A CN 105825231A
- Authority
- CN
- China
- Prior art keywords
- network
- spectrum
- training
- deep
- degree
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
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
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:
其中fanin表示网络每层输入节点数,fanout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∈Rd,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xj∈Rd,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Dj=||xj-μ||,j=1,...,n,其中||·||表示矢量的欧氏范数,记Dj,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∈Rd,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xj∈Rd,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Dj=||xj-μ||,j=1,...,n,其中||·||表示矢量的欧氏范数,记Dj,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:
其中fanin表示网络每层输入节点数,fanout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:
其中fanin表示网络每层输入节点数,fanout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∈Rd,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xj∈Rd,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Dj=||xj-μ||,j=1,...,n,其中||·||表示矢量的欧氏范数,记Dj,j=1,...,n的中值为D,标准差为Δ,采用如下判别离群点:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610147324.7A CN105825231A (zh) | 2016-03-15 | 2016-03-15 | 一种基于人工智能的空间碎片光谱特征分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610147324.7A CN105825231A (zh) | 2016-03-15 | 2016-03-15 | 一种基于人工智能的空间碎片光谱特征分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105825231A true CN105825231A (zh) | 2016-08-03 |
Family
ID=56987986
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610147324.7A Pending CN105825231A (zh) | 2016-03-15 | 2016-03-15 | 一种基于人工智能的空间碎片光谱特征分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105825231A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
CN106541142A (zh) * | 2016-10-25 | 2017-03-29 | 中国运载火箭技术研究院 | 一种基于增材制造的空间碎片再利用方法 |
CN110987866A (zh) * | 2019-12-19 | 2020-04-10 | 汉谷云智(武汉)科技有限公司 | 一种汽油性质评价方法及装置 |
CN112580705A (zh) * | 2020-12-08 | 2021-03-30 | 大连海事大学 | 一种基于深度前馈网络的高光谱分类方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799873A (zh) * | 2010-01-28 | 2010-08-11 | 哈尔滨工业大学 | 一种基于经验模态分解的多分组图像有监督分类方法 |
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN104268569A (zh) * | 2014-09-18 | 2015-01-07 | 浙江工业大学 | 一种基于超低色散光谱特征的空间碎片分类方法 |
-
2016
- 2016-03-15 CN CN201610147324.7A patent/CN105825231A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799873A (zh) * | 2010-01-28 | 2010-08-11 | 哈尔滨工业大学 | 一种基于经验模态分解的多分组图像有监督分类方法 |
CN102750551A (zh) * | 2012-06-18 | 2012-10-24 | 杭州电子科技大学 | 一种粒子寻优下基于支持向量机的高光谱遥感分类方法 |
CN104268569A (zh) * | 2014-09-18 | 2015-01-07 | 浙江工业大学 | 一种基于超低色散光谱特征的空间碎片分类方法 |
Non-Patent Citations (3)
Title |
---|
毛文斌: "《基于人工神经网络的高维遥感数据分类研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
潘景昌: "《天文信息自动处理及目标检测的研究》", 《中国博士学位论文全文数据库 信息科技辑》 * |
雒志超: "《近红外光谱的自编码网络模型及模型传递方法研究》", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485353A (zh) * | 2016-09-30 | 2017-03-08 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
CN106485353B (zh) * | 2016-09-30 | 2019-11-29 | 中国科学院遥感与数字地球研究所 | 空气污染物浓度预报方法及系统 |
CN106541142A (zh) * | 2016-10-25 | 2017-03-29 | 中国运载火箭技术研究院 | 一种基于增材制造的空间碎片再利用方法 |
CN106541142B (zh) * | 2016-10-25 | 2019-03-01 | 中国运载火箭技术研究院 | 一种基于增材制造的空间碎片再利用方法 |
CN110987866A (zh) * | 2019-12-19 | 2020-04-10 | 汉谷云智(武汉)科技有限公司 | 一种汽油性质评价方法及装置 |
CN112580705A (zh) * | 2020-12-08 | 2021-03-30 | 大连海事大学 | 一种基于深度前馈网络的高光谱分类方法 |
CN112580705B (zh) * | 2020-12-08 | 2024-04-05 | 大连海事大学 | 一种基于深度前馈网络的高光谱分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108226892B (zh) | 一种基于深度学习的复杂噪声环境下的雷达信号恢复方法 | |
Shao et al. | A review on East Asian dust storm climate, modelling and monitoring | |
CN103760543B (zh) | 一种基于多模式的恒虚警目标检测方法 | |
Li et al. | Rainfall and earthquake-induced landslide susceptibility assessment using GIS and Artificial Neural Network | |
Ordonez-Etxeberria et al. | A systematic search of sudden pressure drops on Gale crater during two Martian years derived from MSL/REMS data | |
CN105825231A (zh) | 一种基于人工智能的空间碎片光谱特征分类方法 | |
CN103268607B (zh) | 一种弱监督条件下的共同对象检测方法 | |
CN104239901B (zh) | 基于模糊粒子群和目标分解的极化sar图像分类方法 | |
CN104268423A (zh) | 大尺度动态演化沙尘型气溶胶反演方法 | |
Xie et al. | A comparison and review of surface detection methods using MBL, MABEL, and ICESat-2 photon-counting laser altimetry data | |
Delaunoy et al. | Lightning-fast gravitational wave parameter inference through neural amortization | |
Mecikalski et al. | Lightning characteristics relative to radar, altitude and temperature for a multicell, MCS and supercell over northern Alabama | |
CN112162979A (zh) | 一种基于深度学习的海洋沉积物测试系统及方法 | |
CN106705999A (zh) | 一种无人机陀螺仪故障的诊断方法 | |
CN104361225A (zh) | 一种海岸带地质环境承载力的评价方法 | |
CN109948722A (zh) | 一种识别空间目标的方法 | |
Mitnik et al. | Microwave sensing of the atmosphere-ocean system with ADEOS-II AMSR and Aqua AMSR-E | |
CN110059292B (zh) | 一种空间目标姿态识别方法 | |
Crisostomi et al. | Neural posterior estimation with guaranteed exact coverage: The ringdown of GW150914 | |
Chen et al. | Proactive quality control: Observing system experiments using the NCEP Global Forecast System | |
Vélez-Belchí et al. | Vertical velocities at an ocean front | |
CN113935367A (zh) | 基于ResNet和LSTM融合的太赫兹时域光谱隐匿危险品分类方法 | |
Tobely et al. | Position detection of unexploded ordnance from airborne magnetic anomaly data using 3-D self organized feature map | |
CN104268569B (zh) | 一种基于超低色散光谱特征的空间碎片分类方法 | |
CN105825229A (zh) | 一种基于深度神经网络学习算法的人造卫星光谱特征分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160803 |
|
RJ01 | Rejection of invention patent application after publication |