CN110059439B - 一种基于数据驱动的航天器轨道确定方法 - Google Patents

一种基于数据驱动的航天器轨道确定方法 Download PDF

Info

Publication number
CN110059439B
CN110059439B CN201910355099.XA CN201910355099A CN110059439B CN 110059439 B CN110059439 B CN 110059439B CN 201910355099 A CN201910355099 A CN 201910355099A CN 110059439 B CN110059439 B CN 110059439B
Authority
CN
China
Prior art keywords
target
orbit determination
orbit
data
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.)
Active
Application number
CN201910355099.XA
Other languages
English (en)
Other versions
CN110059439A (zh
Inventor
冯飞
张雅声
李智
李恒年
方宇强
黄秋实
陶雪峰
卢旺
霍俞蓉
李纪莲
汤亚锋
刁华飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN201910355099.XA priority Critical patent/CN110059439B/zh
Publication of CN110059439A publication Critical patent/CN110059439A/zh
Application granted granted Critical
Publication of CN110059439B publication Critical patent/CN110059439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于数据驱动的航天器加权轨道确定方法，包括：由测量数据集X和对应的目标航天器轨道集Y构成的定轨样本集Z＝{X,Y}，并对测量数据加权，构造定轨加权样本集；计算构造的定轨加权样本集的Gram矩阵
Figure DDA0002045151600000011
以弹性网络为损失函数，基于Gram矩阵计算航天器定轨结果y(t)的最优估计值
Figure DDA0002045151600000012
本发明无需构建复杂的动力学模型，引入机器学习的思想，通过对大量已有标签的标称轨道进行学习，从而可以实现对未知的航天器的轨道进行估计；此外，训练数据与测试数据具有相同的噪声特性，以此样本数据作为训练数据，可降低定轨结果对测量噪声的敏感度，具有广泛的应用前景。

Description

一种基于数据驱动的航天器轨道确定方法
技术领域
本发明涉及一种航天器轨道确定方法，即一种基于数据驱动的航天器轨道确定方法，属于航天器轨道动力学领域。
背景技术
航天器轨道确定，是航天器在轨测控与空间态势感知领域的基础性问题，应用背景广泛。所谓航天器轨道确定，即根据地基或天基观测设备对未知航天器(目标)观测的数据，确定目标的轨道根数，观测数据的类型包括测角(赤经、赤纬)、测距等信息。传统的定轨方法需要建立两个模型：一是描述航天器与观测设备之间相对位置关系的观测模型，二是描述航天器在空间中运动规律的动力学模型。长期以来，无论是传统的Gauss、Laplace定轨方法，还是各类改进方法，都是基于以上两类模型建立起来的。传统方法对于处理数据量小的定轨问题具有较高稳定性和成熟度，但随着航天发射任务日趋频繁，空间中各类航天器数量显著增长，在面对海量观测数据时，传统定轨算法并不能充分利用大数据的优势，深入挖掘数据之间的相互关系，而且高精度动力学模型往往较为复杂，难以用解析模型描述。近年来，随着人工智能、机器学习领域技术的不断发展，为传统定轨方法寻求突破提供了可能性。
统计机器学习(简称机器学习)是在统计学的基础上发展起来的，其特点是以数据为驱动，即通过对大量样本数据的学习和训练，实现数据的拟合及预测。其中，机器学习又可以分为监督学习、半监督学习、无监督学习、强化学习等。监督学习的任务是学习一个模型，使模型能够对其中任何一个输入x，对输出y做出准确的预测。当输出是有限个离散值时，称为分类问题；当输出是个数不可数的连续值时，称为回归问题。传统的回归问题解决的是由特征变量
Figure BDA0002045151580000011
到响应变量
Figure BDA0002045151580000012
的映射关系，近年来随着研究的深入，回归的概念不再局限于有限维的实数空间，而是扩展到其他空间内，如特征变量是某种概率分布Pi，响应变量
Figure BDA0002045151580000013
实际上我们并不能直接观测到分布Pi的具体形式，而是仅得到有限个服从于Pi的独立同分布样本点
Figure BDA0002045151580000014
和yi，由此构成样本集
Figure BDA0002045151580000015
此类问题即为分布回归(Distribution Regression)。
抛开力学模型本身，从纯数据驱动的角度而言，定轨问题实际上就是一类回归问题，尤其和分布回归较为类似。不同时刻测量数据间满足独立同分布，同时，测量数据本身的取值也并不是随意的，而是受到目标、观测平台之间的相对运动关系以及噪声的影响，被约束在某种规律之下，可近似为服从某种未知的分布。
假设：
Figure BDA00020451515800000217
为一拓扑空间，
Figure BDA0002045151580000021
是定义在拓扑集τ上的Borelσ代数，
Figure BDA0002045151580000022
表示定义在空间
Figure BDA0002045151580000023
上的Borel概率测度集。定义H＝H(k)是以再生核函数k:
Figure BDA0002045151580000024
为组成元素的再生核希尔伯特空间(Reproducing Kernel Hilbert Space,RKHS)。定义X为H的子空间，
Figure BDA0002045151580000025
同时满足：
Figure BDA0002045151580000026
其中，μ为核平均嵌入函数，具有如下形式
μx＝∫Xk(·,μ)dx(μ)＝E[k(·,μ)]∈H
其中E[·]为期望。定义
Figure BDA0002045151580000027
为以
Figure BDA0002045151580000028
为再生核函数的RKHS。
在分布回归中，我们并不能直接了解到概率分布Pi的具体特征，往往只能得到由有限个服从于分布Pi的样本点组成的样本集
Figure BDA0002045151580000029
分布回归的目的是基于这些样本数据学习映射关系fZ:xi→yi，而不通过假设对分布特性进行限定。一种解决分布回归问题的两级采样方法通过两级映射来实现：首先通过核平均嵌入函数μ将
Figure BDA00020451515800000210
映射到X，即
Figure BDA00020451515800000211
而后通过定义在
Figure BDA00020451515800000212
上的函数
Figure BDA00020451515800000213
将X映射到yi所在的实数域，即
Figure BDA00020451515800000214
这个过程中，需要确定损失函数(Loss Function)的具体形式，并以此为优化函数来确定上述映射关系中
Figure BDA00020451515800000215
的多项式系数解，其中
Figure BDA00020451515800000216
的维数与样本的个数是一致的。往往分布回归以岭回归为损失函数，但以L2范数为正则项的岭回归难以得到稀疏解，当训练样本很大时，不能达到变量选择的目的，以L1范数为正则项的Lasso回归可以得到稀疏解，但稳定性上表现不如岭回归，此时，融合了L1范数与L2范数的弹性网络可以得到较好的求解效果。
发明内容
为了解决上述技术问题，本发明提供了一种基于数据驱动的航天器轨道确定方法，将分布式回归的理念引入到传统的定轨问题中，抛开固有的观测模型和动力学模型，从纯数据驱动的角度出发，利用以上分布式回归的研究思路，为航天器的定轨问题提供一套全新的解决方法，该方法将传统的航天器定轨问题视为一类多输入多输出的分布回归问题，以数据为驱动，不必构建复杂的动力学模型。构建了加权的定轨样本集
Figure BDA0002045151580000031
以弹性网络替代岭回归作为损失函数，便于得到大样本集情况下系数的稀疏解。将本方法与传统的改进Laplace定轨方法进行了对比，其优点在于定轨结果不随测量噪声的加入而显著降低，对噪声具有较高鲁棒性。适用于解决在大数据背景下，具有大量观测数据和标称轨道作为训练样本集的航天器轨道确定问题。
本发明的目的通过以下技术方案来具体实现：
一种基于数据驱动的航天器轨道确定方法，包括：
步骤一：由测量数据集X和对应的目标航天器轨道集Y构成的定轨样本集Z＝{X,Y}，并对测量数据加权，构造定轨加权样本集；
步骤二：计算构造的定轨加权样本集的Gram矩阵
Figure BDA0002045151580000032
其中：
K为线性核函数，
Figure BDA0002045151580000033
为核平均嵌入的经验表达式，下角标xi、xj分别表示对第i、第j个目标的观测数据，l为样本个数；
步骤三：以弹性网络为损失函数，基于Gram矩阵计算航天器定轨结果y(t)的最优估计值
Figure BDA0002045151580000034
所述步骤一中，由测量数据集X和对应的目标航天器轨道集Y构成的定轨样本集Z＝{X,Y}的具体步骤包括：
针对位于不同轨道带的目标航天器，设定对应目标航天器的轨道倾角、半长轴、偏心率等轨道根数的取值范围，在取值范围内遍历产生n个目标集
Figure BDA0002045151580000035
设定测站位置，根据设定的测站位置仿真产生每一个对应目标航天器在该测站下的测量数据理论值(赤经、赤纬、测距、测站位置矢量等信息)，并组成测量数据集
Figure BDA0002045151580000036
对测量数据集加噪声。
进一步的，测量数据集X的组成形式为：
Figure BDA0002045151580000041
其中，l为目标总数，Ni为测站对第i个目标在不同时刻的总观测次数，xi,n为列向量形式，由测量信息组成，表示对第i个目标的第n组观测数据。
进一步的，对应航天器(目标)轨道集Y组成形式为：
Figure BDA0002045151580000042
其中，l为目标总数，yi为列向量形式，yi＝[r0,v0]T，即目标t0时刻在惯性坐标系中的位置和速度矢量r0、v0。
进一步的，所述定轨样本集Z的组成形式为：
Figure BDA0002045151580000043
进一步的，对测量数据加权，构造定轨加权样本集，的步骤包括：
根据不同类型测量数据对定轨结果的影响程度，给出权重系数矩阵ω，如下：
Figure BDA0002045151580000044
其中，ωi＞1(i＝1,...,q)为权重系数，表征不同类型的测量数据对定轨精度的贡献度，q为xi,n长度；权重系数的值由测量数据对定轨结果影响的大小决定，对影响较大的测量数据乘以较大的权重系数，对影响较小的测量数据乘以较小的权重系数或不加权重；对于相同的回归模型而言，带有权重的测量数据集X可以获得更小的定轨均方根误差(RMSE)；
计算时，可列出多组候选值逐一代入计算，选择使定轨结果RMSE最小的一组值作为权重系数矩阵；
将权重系数矩阵附加到测量数据集X上，最终建立定轨加权样本集如下式所示：
Figure BDA0002045151580000045
步骤二中，计算Gram矩阵
Figure BDA0002045151580000046
包括：
Figure BDA0002045151580000047
其中，k为非线性核函数，K为线性核函数，
Figure BDA0002045151580000051
为核平均嵌入的经验表达式：
Figure BDA0002045151580000052
其中，Ni为对第i个目标的观测次数，xi,n表示对第i个目标的第n组观测数据。Gram矩阵为正定对称矩阵，其元素由
Figure BDA0002045151580000053
组成，具备如下形式：
Figure BDA0002045151580000054
步骤三中，所述弹性网络为损失函数中的损失函数具有如下表达式：
Figure BDA0002045151580000055
其中，
Figure BDA0002045151580000056
为正则化系数，α∈[0,1]为弹性网络权重系数，yi为目标轨道集中的元素，
Figure BDA0002045151580000057
β＝{β1,β2,...,βn}为系数向量，基于现有样本下对f的最佳估计表示为
Figure BDA0002045151580000058
有
Figure BDA0002045151580000059
Figure BDA00020451515800000510
为最佳系数向量；对于样本集以外的输入xt,n，有
Figure BDA00020451515800000511
进一步的，所述航天器定轨结果y(t)的最优估计值
Figure BDA00020451515800000512
包括：
Figure BDA00020451515800000513
其中，
Figure BDA00020451515800000514
下角标t表示测试数据的第t个目标，Nt表示对这个目标的总观测次数，
Figure BDA00020451515800000515
为通过定轨样本集训练得到的最佳系数向量，求解损失函数可得解。
本发明的有益效果是：
本发明提出的一种基于数据驱动的航天器轨道确定方法，从数据驱动的角度出发，利用机器学习中的分布回归理论与弹性网络(Elastic Net)，通过样本学习由测量数据到目标轨道的映射关系，从而实现航天器的轨道确定。所述分布回归即将服从某种概率分布的样本映射到一个或多个真实数值或向量的回归理论，所述弹性网络，即在损失函数(Loss Function)中融合了岭回归(Ridge Regression,RR)和Lasso(Least absoluteshrinkage and selection operator)回归的各自优点，既保留了Lasso对多变量的选择性，又一定程度上继承了岭回归的稳定性，适用于多变量之间存在某种相关性的回归问题。所述航天器加权轨道确定(以下简称定轨)，即根据地面站或天基的测量数据(测角或测距)，为其中的某一类或几类测量数据乘以某个权重系数，实现对未知航天器轨道的最优估计，最大程度降低定轨结果的均方根误差(Root Mean Squared Error,RMSE)。步骤包括：构建由测量数据集X和对应航天器轨道Y构成的定轨样本集Z＝{X,Y}；计算核函数矩阵(Gram)；以弹性网络为损失函数，求得满足损失函数最小的多项式系数解；固化模型，以新测量数据为输入预测航天器轨道，输出定轨结果。本方法将传统的航天器定轨问题视为一类多输入多输出的回归问题，以测量数据为输入，以航天器定轨结果，即航天器t0时刻在惯性坐标系中的位置和速度矢量r0、v0为输出，与传统定轨方法有着根本性不同，无需构建复杂的动力学模型，引入机器学习的思想，通过对大量已有标签的标称轨道进行学习，从而可以实现对未知的航天器的轨道进行估计；此外，训练数据与测试数据具有相同的噪声特性，以此样本数据作为训练数据，可降低定轨结果对测量噪声的敏感度，具有广泛的应用前景。
附图说明
下面根据附图和实施例对本发明作进一步详细说明。
图1是X方向上预测值与测试值的对比(不含噪声)。
图2是Y方向上预测值与测试值的对比(不含噪声)。
图3是Z方向上预测值与测试值的对比(不含噪声)。
图4是Vx方向上预测值与测试值的对比(不含噪声)。
图5是Vy方向上预测值与测试值的对比(不含噪声)。
图6是Vz方向上预测值与测试值的对比(不含噪声)。
图7是X方向上预测值与测试值的对比(含噪声)。
图8是Y方向上预测值与测试值的对比(含噪声)。
图9是Z方向上预测值与测试值的对比(含噪声)。
图10是Vx方向上预测值与测试值的对比(含噪声)。
图11是Vy方向上预测值与测试值的对比(含噪声)。
图12是Vz方向上预测值与测试值的对比(含噪声)。
图13是Laplace方法的收敛结果(不含噪声)。
图14是Laplace方法的收敛结果(含噪声)。
具体实施方式
实施例一
本发明实施例一提供了一种基于数据驱动的航天器轨道确定方法，不同于传统定轨方法，不必建立测站对航天器的观测方程和动力学方程，而是从数据驱动的角度出发，首先构造定轨加权样本集，而后利用机器学习中的分布回归理论，以弹性网络为损失函数，通过样本学习由测量数据到目标轨道的映射关系，从而实现航天器的轨道确定，包括：
步骤一：由测量数据集X和对应的目标航天器轨道集Y构成的定轨样本集Z＝{X,Y}，并对测量数据加权，构造定轨加权样本集；
步骤二：计算构造的定轨加权样本集的Gram矩阵
Figure BDA0002045151580000071
其中：K为线性核函数，
Figure BDA0002045151580000072
为核平均嵌入的经验表达式，下角标xi、xj分别表示对第i、第j个目标的观测数据，l为样本个数；
Figure BDA0002045151580000073
Figure BDA0002045151580000074
为核平均嵌入的经验表达式：
Figure BDA0002045151580000075
其中，l为样本个数。
步骤三：以弹性网络为损失函数，基于Gram矩阵计算航天器定轨结果y(t)的最优估计值
Figure BDA0002045151580000076
所述步骤一中，由测量数据集X和对应的目标航天器轨道集Y构成的定轨样本集Z＝{X,Y}的具体步骤包括：
针对位于不同轨道带的目标航天器，设定对应目标航天器的轨道倾角、半长轴、偏心率等轨道根数的取值范围，在取值范围内遍历产生n个目标集
Figure BDA0002045151580000077
设定测站位置，根据设定的测站位置仿真产生每一个对应目标航天器在该测站下的测量数据理论值(赤经、赤纬、测距、测站位置矢量等信息)，并组成测量数据集
Figure BDA0002045151580000078
对测量数据集加噪声。
进一步的，测量数据集X的组成形式为：
Figure BDA0002045151580000081
其中，l为目标总数，Ni为测站对第i个目标在不同时刻的总观测次数，xi,n为列向量形式，由测角、测距、测站坐标或其他测量信息组成，表示对第i个目标的第n组观测数据。
进一步的，对应航天器(目标)轨道集Y组成形式为：
Figure BDA0002045151580000082
其中，l为目标总数，yi为列向量形式，yi＝[r0,v0]T，即目标t0时刻在惯性坐标系中的位置和速度矢量r0、v0。
进一步的，所述定轨样本集Z的组成形式为：
Figure BDA0002045151580000083
进一步的，对测量数据加权，构造定轨加权样本集，的步骤包括：
根据不同类型测量数据对定轨结果的影响程度，给出权重系数矩阵ω，如下：
Figure BDA0002045151580000084
其中，ωi＞1(i＝1,...,q)为权重系数，表征不同类型的测量数据对定轨精度的贡献度，q为xi,n长度；权重系数的值由测量数据对定轨结果影响的大小决定，对影响较大的测量数据乘以较大的权重系数，对影响较小的测量数据乘以较小的权重系数或不加权重；对于相同的回归模型而言，带有权重的测量数据集X可以获得更小的定轨均方根误差(RMSE)；
计算时，可列出多组候选值逐一代入计算，选择使定轨结果RMSE最小的一组值作为权重系数矩阵；
将权重系数矩阵附加到测量数据集X上，最终建立定轨加权样本集如下式所示：
Figure BDA0002045151580000085
步骤二中，计算Gram矩阵
Figure BDA0002045151580000086
包括：
Figure BDA0002045151580000087
其中，k为非线性核函数，K为线性核函数，
Figure BDA0002045151580000091
为核平均嵌入的经验表达式；Gram矩阵为正定对称矩阵，其元素由
Figure BDA0002045151580000092
组成，具备如下形式：
Figure BDA0002045151580000093
步骤三中，弹性网络为损失函数，不再单纯以岭回归作为损失函数，而是以结合了Lasso中L1范数的弹性网络为损失函数，所述基于弹性网络的分布回归理论既保留了Lasso对多变量的选择性，又一定程度上继承了岭回归的稳定性，适用于类似定轨问题中有大量变量之间存在某种相关性的分布回归问题，所述损失函数具有如下表达式：
Figure BDA0002045151580000094
其中，
Figure BDA0002045151580000095
为正则化系数，α∈[0,1]为弹性网络权重系数，yi为目标轨道集中的元素，
Figure BDA0002045151580000096
β＝{β1,β2,...,βn}为系数向量，基于现有样本下对f的最佳估计表示为
Figure BDA0002045151580000097
有
Figure BDA0002045151580000098
Figure BDA0002045151580000099
为最佳系数向量；对于样本集以外的输入xt,n，有
Figure BDA00020451515800000910
进一步的，所述航天器定轨结果y(t)的最优估计值
Figure BDA00020451515800000911
包括：
Figure BDA00020451515800000912
其中，
Figure BDA00020451515800000913
下角标t表示测试数据的第t个目标，Nt表示对这个目标的总观测次数，
Figure BDA00020451515800000914
为通过定轨样本集训练得到的最佳系数向量，求解损失函数可得解。
本发明实施例一提出的一种基于数据驱动的航天器轨道确定方法，构建由测量数据集X和对应航天器轨道Y构成的定轨样本集Z＝{X,Y}，利用机器学习中的分布回归思想，以测量数据X为输入，以已知航天器的轨道Y为标签进行训练，固化训练所得的拥有最小损失函数值的系数
Figure BDA00020451515800000915
并以此为基底实现对未知航天器的轨道确定。本发明提出的一种基于数据驱动的航天器轨道确定方法，从数据驱动的角度出发，利用机器学习中的分布回归理论与弹性网络(Elastic Net)，通过样本学习由测量数据到目标轨道的映射关系，从而实现航天器的轨道确定。所述分布回归即将服从某种概率分布的样本映射到一个或多个真实数值或向量的回归理论，所述弹性网络，即在损失函数(Loss Function)中融合了岭回归(Ridge Regression,RR)和Lasso(Least absolute shrinkage and selectionoperator)回归的各自优点，既保留了Lasso对多变量的选择性，又一定程度上继承了岭回归的稳定性，适用于多变量之间存在某种相关性的回归问题。所述航天器加权轨道确定(以下简称定轨)，即根据地面站或天基的测量数据(测角或测距)，为其中的某一类或几类测量数据乘以某个权重系数，实现对未知航天器轨道的最优估计，最大程度降低定轨结果的均方根误差(Root Mean Squared Error,RMSE)。步骤包括：构建由测量数据集X和对应航天器轨道Y构成的定轨样本集Z＝{X,Y}；计算核函数矩阵(Gram)；以弹性网络为损失函数，求得满足损失函数最小的多项式系数解；固化模型，以新测量数据为输入预测航天器轨道，输出定轨结果。本方法将传统的航天器定轨问题视为一类多输入多输出的回归问题，以测量数据为输入，以航天器定轨结果，即航天器t0时刻在惯性坐标系中的位置和速度矢量r0、v0为输出，与传统定轨方法有着根本性不同，无需构建复杂的动力学模型，引入机器学习的思想，通过对大量已有标签的标称轨道进行学习，从而可以实现对未知的航天器的轨道进行估计；此外，训练数据与测试数据具有相同的噪声特性，以此样本数据作为训练数据，可降低定轨结果对测量噪声的敏感度，具有广泛的应用前景。
实施例二：一具体实施例：
测量数据集不含噪声
以天基仅测角的航天器轨道确定为例，仿真低轨观测平台对高轨航天器的定轨场景，通过不含误差的仿真数据构造加权定轨样本集
Figure BDA0002045151580000101
其中，共800组仿真数据，每组数据中，xi的采样次数为50，间隔10秒，在每组采样的xi,n中，包含赤经、赤纬以及天基观测平台的位置矢量共5维数据。采用交叉验证的方法，从800组数据中随机抽取160组作为验证集，80组作为测试集，其余560组作为训练集。
在权重系数矩阵的选择上，可以对测角数据和平台位置矢量设置不同的多组权重系数，通过交叉验证来选取使最终定轨结果RMSE最小的一组权重系数。本案例中，权重系数矩阵维数q＝5，设ωang为测角数据权重，ωpos为平台位置权重。所述权重系数矩阵如下：
Figure BDA0002045151580000111
在定轨样本集的基础上，计算Gram矩阵
Figure BDA0002045151580000112
其中
Figure BDA0002045151580000113
k为再生核函数，此处选取Cauchy核函数，具有如下表达式：
Figure BDA0002045151580000114
其中σ为核函数参数。将f＝β·G代入弹性网络损失函数，求得满足损失函数最小的最佳系数向量
Figure BDA0002045151580000115
并可求得对于测试集xt,n的预测值
Figure BDA0002045151580000116
进一步的，可根据预测值求得测试集的RMSE。
图1～图6分别为不含噪声的情况下，X、Y、Z、Vx、Vy和Vz方向上预测值与测试值的对比，三角符号为预测值，直线为测试值，需要说明的是，结果并非简单的线性关系，图中并不是预测值随时间变化的曲线，而是表征预测值偏离测试值的大小，预测值越靠近测试值所在的直线，则表示预测效果越好，误差越小，反之则误差越大。
实施例三：另一具体实施例：
测量数据集含噪声
为反应真实的定轨情况，本实施例中，分别给测角数据和平台位置矢量添加方差为(2″)2、(0.1km)2的高斯白噪声，并保持其他实施步骤与实施例一中一致，得到结果如图7～图12中所示。针对不含噪声和含噪声的详细对比结果如表1所示：
表1不含噪声与含噪声定轨结果RMSE对比
Figure BDA0002045151580000117
Figure BDA0002045151580000121
可见，加噪对定轨结果的影响并不显著，这与附图所显示的结果是相一致的。
为体现这一优势，引入Laplace方法作为传统定轨方法进行对比，并对仿真结果施加相同的高斯白噪声，结果如图13～图14所示，详细结果如表2所示：
表2不含噪声与含噪声Laplace定轨结果误差对比
不含噪声收敛误差 含噪声收敛误差
位置误差(km) 0.0076 3.88
速度误差(km/s) 2.74×10<sup>-6</sup> 0.049
可见，Laplace方法经短暂几步迭代后可快速收敛，在不含噪声的仿真数据中得到较高精度的定轨结果，但在加噪后定轨精度下降明显。
由对比可知，本发明提出的一种基于数据驱动的航天器轨道确定方法，可以有效降低定轨结果对测量噪声的敏感性，由于基于真实数据进行训练，且训练数据与测试数据具有一致的噪声特性，所以与传统定轨方法相比，测试结果并不会随噪声而显著降低精度，本方法对测量噪声具有较高鲁棒性。适用于解决在大数据背景下，具有大量观测数据和标称轨道作为训练样本集的航天器轨道确定问题。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (5)

1.一种基于数据驱动的航天器轨道确定方法，其特征在于，包括：
步骤一：由测量数据集X和对应的目标航天器轨道集Y构成的定轨样本集Z＝{X,Y}，并对测量数据加权，构造定轨加权样本集；
步骤二：计算构造的定轨加权样本集的Gram矩阵
Figure FDA0003498571990000011
其中：
K为线性核函数，
Figure FDA0003498571990000012
分别表示第i、第j个目标的核平均嵌入经验表达式，下角标xi、xj分别表示对第i、第j个目标的观测数据，l为样本个数；
步骤三：以弹性网络为损失函数，基于Gram矩阵计算航天器定轨结果y(t)的最优估计值
Figure FDA0003498571990000013
2.如权利要求1所述的方法，其特征在于，所述步骤一中，由测量数据集X和对应的目标航天器轨道集Y构成的定轨样本集Z＝{X,Y}的具体步骤包括：
针对位于不同轨道带的目标航天器，设定对应目标航天器的轨道根数的取值范围，在取值范围内遍历产生目标集
Figure FDA0003498571990000014
其中，yi为列向量形式，yi＝[r0,v0]T，即目标t0时刻在惯性坐标系中的位置和速度矢量r0、v0；
设定测站位置，根据设定的测站位置仿真产生每一个对应目标航天器在该测站下的测量数据理论值，并组成测量数据集
Figure FDA0003498571990000015
对测量数据集加噪声；其中，Ni为测站对第i个目标在不同时刻的总观测次数，xi,n为列向量形式，由测量信息组成，表示对第i个目标的第n组观测数据。
3.如权利要求1所述的方法，其特征在于，对测量数据加权，构造定轨加权样本集，的步骤包括：
根据不同类型测量数据对定轨结果的影响程度，给出权重系数矩阵ω，如下：
Figure FDA0003498571990000016
其中，ωh>1为权重系数，表征不同类型的测量数据对定轨精度的贡献度，h＝1,…,q，q为xi,n长度；权重系数的值由测量数据对定轨结果影响的大小决定；对于相同的回归模型而言，带有权重的测量数据集X可以获得更小的定轨均方根误差RMSE；
计算时，可列出多组候选值逐一代入计算，选择使定轨结果RMSE最小的一组值作为权重系数矩阵；
将权重系数矩阵附加到测量数据集X上，最终建立定轨加权样本集如下式所示：
Figure FDA0003498571990000021
其中，Ni为测站对第i个目标在不同时刻的总观测次数，xi,n为列向量形式，由测量信息组成，表示对第i个目标的第n组观测数据；yi为列向量形式，yi＝[r0,v0]T，即目标t0时刻在惯性坐标系中的位置和速度矢量r0、v0。
4.如权利要求1所述的方法，其特征在于，步骤二中，计算Gram矩阵
Figure FDA0003498571990000022
包括：
Figure FDA0003498571990000023
其中，k为非线性核函数，K为线性核函数，
Figure FDA0003498571990000024
分别表示第i、第j个目标的核平均嵌入经验表达式；Ni、Nj分别表示对第i、第j个目标的总观测次数；xi,n为列向量形式，由测量信息组成，表示对第i个目标的第n组观测数据；同理，xj,m为列向量形式，由测量信息组成，表示对第j个目标的第m组观测数据；Gram矩阵为正定对称矩阵，其元素由
Figure FDA0003498571990000025
组成，具备如下形式：
Figure FDA0003498571990000026
5.如权利要求1所述的方法，其特征在于，步骤三中，所述弹性网络为损失函数中的损失函数具有如下表达式：
Figure FDA0003498571990000027
其中，
Figure FDA0003498571990000028
为正则化系数，α∈[0,1]为弹性网络权重系数，yi为目标轨道集中的元素，
Figure FDA0003498571990000029
β＝{β1,β2,...,βn}为系数向量，基于现有样本下对f的最佳估计表示为
Figure FDA00034985719900000210
有
Figure FDA00034985719900000211
Figure FDA00034985719900000212
为最佳系数向量；对于样本集以外的输入xt,n，有
Figure FDA00034985719900000213
其中，
Figure FDA0003498571990000031
k()为非线性核函数，下角标t表示测试数据的第t个目标，Nt表示对这个目标的总观测次数，
Figure FDA0003498571990000032
为通过定轨样本集训练得到的最佳系数向量，求解损失函数可得解。
CN201910355099.XA 2019-04-29 2019-04-29 一种基于数据驱动的航天器轨道确定方法 Active CN110059439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910355099.XA CN110059439B (zh) 2019-04-29 2019-04-29 一种基于数据驱动的航天器轨道确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910355099.XA CN110059439B (zh) 2019-04-29 2019-04-29 一种基于数据驱动的航天器轨道确定方法

Publications (2)

Publication Number Publication Date
CN110059439A CN110059439A (zh) 2019-07-26
CN110059439B true CN110059439B (zh) 2022-03-15

Family

ID=67321548

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910355099.XA Active CN110059439B (zh) 2019-04-29 2019-04-29 一种基于数据驱动的航天器轨道确定方法

Country Status (1)

Country Link
CN (1) CN110059439B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750760B (zh) * 2019-09-16 2023-05-02 东南大学 一种基于态势感知和控制图的异常理论线损检测方法
CN111343599A (zh) * 2020-03-02 2020-06-26 中国西安卫星测控中心 基于传感器网络的异步分布式实时定轨方法
CN111551183B (zh) * 2020-06-09 2021-12-21 中国人民解放军63921部队 基于天基光学观测数据的geo目标多点择优短弧定轨方法
CN112797988B (zh) * 2020-11-18 2023-04-07 北京理工大学 基于神经网络的未知机动航天器轨道确定方法
CN116202535B (zh) * 2022-12-28 2024-01-19 北京理工大学 一种初值智能优选的航天器仅测角超短弧初轨确定方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109100750A (zh) * 2018-08-16 2018-12-28 北京控制工程研究所 一种基于自适应权值估计的星座导航敏感器调度方法
CN109631913A (zh) * 2019-01-30 2019-04-16 西安电子科技大学 基于非线性预测强跟踪无迹卡尔曼滤波的x射线脉冲星导航定位方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8612463B2 (en) * 2010-06-03 2013-12-17 Palo Alto Research Center Incorporated Identifying activities using a hybrid user-activity model
DE102013108711B4 (de) * 2013-08-12 2016-07-14 Jena-Optronik Gmbh Verfahren zum Betrieb eines Lage- und Orbit-Steuersystems und Lage- und Orbit-Steuersystem
AU2015222926A1 (en) * 2014-02-26 2016-10-13 Clark Emerson Cohen An improved performance and cost Global Navigation Satellite System architecture
CN104964943B (zh) * 2015-05-28 2017-07-18 中北大学 一种基于自适应Group Lasso的红外光谱波长选择方法
CN106092105A (zh) * 2016-06-03 2016-11-09 上海航天控制技术研究所 一种近地卫星严格回归轨道的确定方法
CN107031868B (zh) * 2017-03-23 2019-06-18 北京空间飞行器总体设计部 一种低轨遥感卫星自主轨道控制方法
CN108197081A (zh) * 2017-11-03 2018-06-22 上海敬之网络科技有限公司 一种航班延误险的数据精算模型建立方法
CN108548542B (zh) * 2018-07-13 2021-09-28 北京航空航天大学 一种基于大气阻力加速度测量的近地轨道确定方法
CN109146157B (zh) * 2018-08-02 2021-07-20 中国人民解放军战略支援部队航天工程大学 一种基于太阳同步回归轨道的共轨迹应急侦察星座优化设计方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109100750A (zh) * 2018-08-16 2018-12-28 北京控制工程研究所 一种基于自适应权值估计的星座导航敏感器调度方法
CN109631913A (zh) * 2019-01-30 2019-04-16 西安电子科技大学 基于非线性预测强跟踪无迹卡尔曼滤波的x射线脉冲星导航定位方法及系统

Also Published As

Publication number Publication date
CN110059439A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110059439B (zh) 一种基于数据驱动的航天器轨道确定方法
Peng et al. Comparative evaluation of three machine learning algorithms on improving orbit prediction accuracy
Cintra et al. Data assimilation by artificial neural networks for an atmospheric general circulation model
Pérez et al. Neural Network based calibration of atmospheric density models
Htike et al. Rainfall forecasting models using focused time-delay neural networks
CN112445131A (zh) 一种线性系统自适应最优跟踪控制方法
CN108875244B (zh) 一种基于随机森林的轨道预报精度改进方法
Abudu et al. Modeling of daily pan evaporation using partial least squares regression
Rao et al. Robust Data Assimilation Using L_1 and Huber Norms
Cintra et al. Tracking the model: Data assimilation by artificial neural network
Peng et al. Fusion of a machine learning approach and classical orbit predictions
CN116049937A (zh) 基于深度学习的跨域桥梁损伤识别方法
CN114290339B (zh) 基于强化学习和残差建模的机器人现实迁移方法
Verma et al. Aircraft parameter estimation using ELM network
CN116151102A (zh) 一种空间目标超短弧初始轨道智能确定方法
Shahrooei et al. Falsification of learning-based controllers through multi-fidelity Bayesian optimization
Zheng et al. An rnn-based learnable extended kalman filter design and application
Abd-Elhay et al. A high accuracy modeling scheme for dynamic systems: spacecraft reaction wheel model
Bai et al. Correction of atmospheric model through data mining with historical data of two-line element
Faqih et al. Mackey-Glass chaotic time series prediction using modified RBF neural networks
Ritz et al. Rapid calculation of missile aerodynamic coefficients using artificial neural networks
CN114826337A (zh) 一种用于卫星通信信号的多普勒频偏的预补偿方法及系统
Peng et al. Using artificial neural network in machine learning approach to improve orbit prediction accuracy
Srivastava et al. A comprehensive probabilistic framework to learn air data from surface pressure measurements
Panda et al. A WNN model trained with orthogonal colliding bodies optimization for accurate identification of hammerstein plant

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
GR01 Patent grant
GR01 Patent grant