CN107798380A - 探测器器上星历计算方法和计算系统 - Google Patents
探测器器上星历计算方法和计算系统 Download PDFInfo
- Publication number
- CN107798380A CN107798380A CN201710818700.5A CN201710818700A CN107798380A CN 107798380 A CN107798380 A CN 107798380A CN 201710818700 A CN201710818700 A CN 201710818700A CN 107798380 A CN107798380 A CN 107798380A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- layer
- ephemeris
- output
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明公开一种探测器器上星历计算方法,该方法包含:探测器建立三层反向传播神经网络;探测器采用DE421星历数据作为训练样本,训练三层反向传播神经网络;探测器采用训练完毕的三层反向传播神经网络进行星历计算。本发明建立经过DE421星历数据训练的三层反向传播神经网络,采用三层反向传播神经网络进行星历计算,通过神经网络方法改进星历数据获取算法,既能满足递推结果工程精度约束,同时也能满足器载计算机有限资源的约束,适用于器上轨道自主计算。
Description
技术领域
本发明涉及深空探测器轨道计算技术,具体涉及一种基于神经网络学习的探测器器上星历计算方法和计算系统
背景技术
火星探测器在飞行过程中受到各种天体的引力作用和其它非引力摄动,由于火星探测过程中地面测控通信时延的影响较大,因此探测器自主轨道计算能力是获取实时姿态信息、保证通信链路指向的关键。美国国家航空航天局(NASA)于1998年发射的火星气候轨道器(Mars Climate Orbiter)由于轨道动力学模型中参数单位错误导致探测器获得错误的导航信息进入火星大气层而烧毁。
探测器的器上实时轨道递推算法中,考虑到星载处理器的计算能力和存储空间限制,通常采用解析法计算各天体的星历。解析法的优点是算法简单,不需要存储大量的星历数据,计算效率高,但精度较低;利用高精度发展星历(Development Ephemeris,DE)可以有效弥补器上解析法轨道计算的精度低问题,但原始DE星历占用较大的存储空间,数据的频繁访问会降低自主轨道递推算法的效率。
近年来,随着人工智能技术的飞速发展,以人工神经网络(Artificial NeuralNetwork,ANN)为代表的机器学习算法获得了广泛深入的研究,并在航空航天领域得到了应用。神经网络所具有的学习能力以及逼近任意非线性映射的能力,为非线性系统和不确定系统的控制提供了有效的手段。
因此,结合实际应用需要,可以通过神经网络方法改进星历数据获取算法,兼顾计算精度和资源限制,从而使其适用于器上轨道自主计算。
发明内容
本发明公开一种探测器器上星历计算方法和计算系统,法既能满足递推结果工程精度约束,同时也能满足器载计算机有限资源的约束。
为实现上述目的,本发明提供一种探测器器上星历计算方法,其特点是,该方法包含:
探测器建立三层反向传播神经网络;
探测器采用DE421星历数据作为训练样本,训练三层反向传播神经网络;
探测器采用训练完毕的三层反向传播神经网络进行星历计算。
上述三层反向传播神经网络为只有一个隐含层的前向网络。
上述三层反向传播神经网络的建立方法包含:
建立神经网络的输入层、一层或若干层隐含层和输出层,隐含层连接输入层的输出,输出层连接隐含层的输出,其中输入层、隐含层和输出层中位于同层神经元之间没有耦合。
上述隐含层的激活函数为Sigmoid函数。
上述输出层节点的激活函数为线性函数。
上述训练三层反向传播神经网络模型的方法包含:
设输入神经元个数为I,隐含层神经元个数为J,输出层神经元个数为K;
在正向传播过程中,输入从输入层经隐含层逐层处理,并传向输出层,产生一个基于网络权值wi,j,wj,k和阈值θi,j,θj,k的输出y;
当输出层得不到期望的输出,则转入反向传播,将误差信号沿原来的连接通道返回,通过修改各层神经元的权值和阈值,迭代减小误差信号至误差信号最小。
上述迭代减小误差信号中,第n次迭代的误差信号e(n)定义如式(1):
式(1)中,d(n)为网络的期望输出,Y(n)为网络的实际输出。
如权利要求6所述的探测器器上星历计算方法,其特征在于,所述权值和阈值的修改方法如式(2)进行更新:
式(2)中η为学习率,体现了误差对权值的影响大小。
一种探测器器上星历计算系统,其特点是,该系统包含:
神经网络建立模块,其建立三层反向传播神经网络;
神经网络训练模块,其连接神经网络建立模块的输出,采用DE421星历数据作为训练样本,训练三层反向传播神经网络;
星历计算模块,其连接神经网络训练模块的输出,采用训练完毕的三层反向传播神经网络进行星历计算。
上述三层反向传播神经网络包含:输入层、连接输入层输出的一层或若干层隐含层,和连接隐含层输出的输出层;分别位于输入层、隐含层和输出层中的同层神经元之间没有耦合。
本发明探测器器上星历计算方法和计算系统和现有技术相比,其优点在于,本发明建立经过DE421星历数据训练的三层反向传播神经网络,采用三层反向传播神经网络进行星历计算,通过神经网络方法改进星历数据获取算法,兼顾计算精度和资源限制,既能满足递推结果工程精度约束,同时也能满足器载计算机有限资源的约束,适用于器上轨道自主计算。
附图说明
图1为本发明探测器器上星历计算方法的总流程图;
图2为本发明三层反向传播神经网络的结构图;
图3为本发明探测器器上星历计算方法的流程图。
具体实施方式
以下结合附图,进一步说明本发明的具体实施例。
如图1所示,公开了一种用于火星探测的探测器器上星历计算方法的实施例,该计算方法具体包含以下步骤:
S1、探测器建立三层反向传播(BP)神经网络。
如图2所示,建立的三层反向传播神经网络为神经网络是单向传播的多层前向网络,其包含:输入层101、连接输入层101输出的一层或若干层隐含层102,和连接隐含层102输出的输出层103。分别位于输入层101、隐含层102和输出层103中的同层神经元之间没有耦合。输入信号从输入层节点依次通过各个隐含层节点,然后到达输出层节点,每一层节点的输出值作为下一层节点的输入。其中隐含层的激活函数通常为S型函数(Sigmoid函数),输出层节点的激活函数通常为线性函数。本专利中所用的反向传播(BP)网络是只有一个隐含层的前向网络。
BP网络可以看成是从输入到输出的非线性映射:f:Un→Rm,f(X)=Y。
对于样本输入集合xi∈Rn和输出集合yi∈Rm,可以认为存在某一映射g() 使得:g(xi)=yi,i=1,2,...,n。
现要求映射f(),使得在某种意义下(通常是最小二乘意义下),f()是 g()的最佳逼近。
S2、探测器采用DE421星历数据作为训练样本,训练三层反向传播神经网络。
如图3所示,三层反向传播神经网络的训练方法包含:
BP神经网络算法的学习过程由正向传播和反向传播组成。在三层BP网络中,设输入神经元个数为I,隐含层神经元个数为J,输出层神经元个数为 K。
在正向传播过程中,输入u从输入层经隐含层逐层处理,并传向输出层,产生一个基于网络权值wi,j,wj,k和阈值θi,j,θj,k的输出y,如图2所示。其中,每一层神经元的状态只影响下一层神经元的状态。
当输出层得不到期望的输出,则转入反向传播,将误差信号沿原来的连接通道返回,通过修改各层神经元的权值和阈值,迭代减小误差信号至误差信号最小。
其中,迭代减小误差信号中,第n次迭代的误差信号e(n)定义如式(1):
式(1)中,d(n)为网络的期望输出,Y(n)为网络的实际输出。
BP网络的连接权值和阈值的修改方法如式(2)进行更新:
式(2)中η为学习率,体现了误差对权值的影响大小。若学习率过小,则算法耗时过长,若学习率过大,则可能导致误差在某个水平上反复震荡,影响收敛的稳定性。
S3、如图3所示,探测器采用训练完毕的三层反向传播神经网络进行星历计算。经S2经过训练得到神经网络模型参数,写入星上星历测算程序,根据星上时间作为输入,即可输出相应时间的天体星历。
本发明还公开了一种使用与上述探测器器上星历计算方法的探测器器上星历计算系统,该系统包含:神经网络建立模块、神经网络训练模块和星历计算模块。
神经网络建立模块用于建立如图2所示的三层反向传播神经网络。
神经网络训练模块连接神经网络建立模块的输出,用于采用DE421星历数据作为训练样本,采用上述探测器器上星历计算方法中S2的方法训练三层反向传播神经网络。
星历计算模块连接神经网络训练模块的输出,用于采用训练完毕的三层反向传播神经网络进行星历计算。
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (10)
1.一种探测器器上星历计算方法,其特征在于,该方法包含:
探测器建立三层反向传播神经网络;
探测器采用DE421星历数据作为训练样本,训练三层反向传播神经网络;
探测器采用训练完毕的三层反向传播神经网络进行星历计算。
2.如权利要求1所述的探测器器上星历计算方法,其特征在于,所述三层反向传播神经网络为只有一个隐含层的前向网络。
3.如权利要求1或2所述的探测器器上星历计算方法,其特征在于,所述三层反向传播神经网络的建立方法包含:
建立神经网络的输入层、一层或若干层隐含层和输出层,隐含层连接输入层的输出,输出层连接隐含层的输出,其中输入层、隐含层和输出层中位于同层神经元之间没有耦合。
4.如权利要求3所述的探测器器上星历计算方法,其特征在于,所述隐含层的激活函数为Sigmoid函数。
5.如权利要求3所述的探测器器上星历计算方法,其特征在于,所述输出层节点的激活函数为线性函数。
6.如权利要求1所述的探测器器上星历计算方法,其特征在于,所述训练三层反向传播神经网络模型的方法包含:
设输入神经元个数为I,隐含层神经元个数为J,输出层神经元个数为K;
在正向传播过程中,输入从输入层经隐含层逐层处理,并传向输出层,产生一个基于网络权值wi,j,wj,k和阈值θi,j,θj,k的输出y;
当输出层得不到期望的输出,则转入反向传播,将误差信号沿原来的连接通道返回,通过修改各层神经元的权值和阈值,迭代减小误差信号至误差信号最小。
7.如权利要求6所述的探测器器上星历计算方法,其特征在于,所述迭代减小误差信号中,第n次迭代的误差信号e(n)定义如式(1):
<mrow>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mi>e</mi>
<mi>k</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
式(1)中,d(n)为网络的期望输出,Y(n)为网络的实际输出。
8.如权利要求6所述的探测器器上星历计算方法,其特征在于,所述权值和阈值的修改方法如式(2)进行更新:
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&eta;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>e</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
其中η为学习率,体现了误差对权值的影响大小。
9.一种探测器器上星历计算系统,其特征在于,该系统包含:
神经网络建立模块,其建立三层反向传播神经网络;
神经网络训练模块,其连接神经网络建立模块的输出,采用DE421星历数据作为训练样本,训练三层反向传播神经网络;
星历计算模块,其连接神经网络训练模块的输出,采用训练完毕的三层反向传播神经网络进行星历计算。
10.如权利要求9所述的探测器器上星历计算系统,其特征在于,所述三层反向传播神经网络包含:输入层、连接输入层输出的一层或若干层隐含层,和连接隐含层输出的输出层;分别位于输入层、隐含层和输出层中的同层神经元之间没有耦合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710818700.5A CN107798380A (zh) | 2017-09-12 | 2017-09-12 | 探测器器上星历计算方法和计算系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710818700.5A CN107798380A (zh) | 2017-09-12 | 2017-09-12 | 探测器器上星历计算方法和计算系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107798380A true CN107798380A (zh) | 2018-03-13 |
Family
ID=61532355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710818700.5A Pending CN107798380A (zh) | 2017-09-12 | 2017-09-12 | 探测器器上星历计算方法和计算系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107798380A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580255A (zh) * | 2020-12-02 | 2021-03-30 | 南京航空航天大学 | 一种基于飞越映射参数学习的木卫引力辅助轨道递推方法 |
CN112613223A (zh) * | 2020-11-24 | 2021-04-06 | 南京航空航天大学 | 基于径向基神经网络的月球引力辅助逃逸轨道递推方法 |
CN113705781A (zh) * | 2021-08-16 | 2021-11-26 | 亚太卫星宽带通信(深圳)有限公司 | 一种基于神经网络的卫星小站故障判断方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499349A (zh) * | 2013-09-29 | 2014-01-08 | 桂林电子科技大学 | 基于广播星历参数外推的卫星轨道中长期预报方法和系统 |
CN103886368A (zh) * | 2014-03-26 | 2014-06-25 | 南京航空航天大学 | 一种卫星精确轨道预报方法 |
CN106096787A (zh) * | 2016-06-17 | 2016-11-09 | 北京航天飞行控制中心 | 一种自适应匹配的地球自转参数预报方法 |
CN106443728A (zh) * | 2016-11-18 | 2017-02-22 | 太原理工大学 | 自适应gps/北斗矢量跟踪算法 |
CN107036603A (zh) * | 2017-04-27 | 2017-08-11 | 上海航天控制技术研究所 | 基于拉格朗日插值星历的火星探测器器上轨道递推算法 |
-
2017
- 2017-09-12 CN CN201710818700.5A patent/CN107798380A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103499349A (zh) * | 2013-09-29 | 2014-01-08 | 桂林电子科技大学 | 基于广播星历参数外推的卫星轨道中长期预报方法和系统 |
CN103886368A (zh) * | 2014-03-26 | 2014-06-25 | 南京航空航天大学 | 一种卫星精确轨道预报方法 |
CN106096787A (zh) * | 2016-06-17 | 2016-11-09 | 北京航天飞行控制中心 | 一种自适应匹配的地球自转参数预报方法 |
CN106443728A (zh) * | 2016-11-18 | 2017-02-22 | 太原理工大学 | 自适应gps/北斗矢量跟踪算法 |
CN107036603A (zh) * | 2017-04-27 | 2017-08-11 | 上海航天控制技术研究所 | 基于拉格朗日插值星历的火星探测器器上轨道递推算法 |
Non-Patent Citations (2)
Title |
---|
李剑锋 等: "基于广播星历和神经网络的GPS卫星坐标计算方法", 《测绘工程》 * |
黄丽: "BP神经网络算法改进及应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613223A (zh) * | 2020-11-24 | 2021-04-06 | 南京航空航天大学 | 基于径向基神经网络的月球引力辅助逃逸轨道递推方法 |
CN112613223B (zh) * | 2020-11-24 | 2024-04-16 | 南京航空航天大学 | 基于径向基神经网络的月球引力辅助逃逸轨道递推方法 |
CN112580255A (zh) * | 2020-12-02 | 2021-03-30 | 南京航空航天大学 | 一种基于飞越映射参数学习的木卫引力辅助轨道递推方法 |
CN113705781A (zh) * | 2021-08-16 | 2021-11-26 | 亚太卫星宽带通信(深圳)有限公司 | 一种基于神经网络的卫星小站故障判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Weyn et al. | Improving data‐driven global weather prediction using deep convolutional neural networks on a cubed sphere | |
Atkeson | Memory-based approaches to approximating continuous functions | |
CN108875244B (zh) | 一种基于随机森林的轨道预报精度改进方法 | |
Cintra et al. | Data assimilation by artificial neural networks for an atmospheric general circulation model | |
CN107798380A (zh) | 探测器器上星历计算方法和计算系统 | |
CN106886572A (zh) | 基于Markov逻辑网的知识图谱关系类型推测方法及其装置 | |
CN112017289A (zh) | 一种基于深度学习的井震联合初始岩性模型构建方法 | |
CN103279032B (zh) | 一种异质多智能体系统的鲁棒趋同控制方法 | |
CN115577436B (zh) | 一种求解不确定结构风致振动响应的组合深度学习方法 | |
CN108168577A (zh) | 基于bp神经网络的mems陀螺随机误差补偿方法 | |
CN107451656A (zh) | 一种火星探测器器上自主轨道计算方法 | |
CN108957502A (zh) | 基于深度学习lstm的gnss多系统多路径误差实时削弱方法 | |
CN105678417A (zh) | 一种施工隧道撑子面涌水量预测方法及装置 | |
Datta | Self-organizing map based surrogate models for contaminant source identification under parameter uncertainty | |
CN110007617B (zh) | 一种飞行器半实物仿真系统的不确定度传递分析方法 | |
CN107748927A (zh) | 旅游交通短时客流大数据预测方法 | |
CN107193044A (zh) | 一种混合全局优化算法的叠前地震多参数反演方法 | |
Song et al. | Search and tracking strategy of autonomous surface underwater vehicle in oceanic eddies based on deep reinforcement learning | |
CN111738407B (zh) | 一种基于深度学习的钟差预测方法、装置、介质及终端 | |
CN107273509A (zh) | 一种神经网络数据存储器、数据存储方法及数据查找方法 | |
Sousa et al. | Multiple AUVs for coastal oceanography | |
Wang et al. | Optimizing Carbon Storage Operations for Long-Term Safety | |
CN114115307B (zh) | 一种基于深度学习的航天器反交会逃逸脉冲求解方法 | |
CN110780604A (zh) | 一种基于空时平滑性和时间相关性的空时信号恢复方法 | |
CN104007659B (zh) | Bp神经网络在s7-300系列plc中的实现方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180313 |