CN111428912A - 一种基于支持向量机的火星探测器轨道预测方法及系统 - Google Patents

一种基于支持向量机的火星探测器轨道预测方法及系统 Download PDF

Info

Publication number
CN111428912A
CN111428912A CN202010136359.7A CN202010136359A CN111428912A CN 111428912 A CN111428912 A CN 111428912A CN 202010136359 A CN202010136359 A CN 202010136359A CN 111428912 A CN111428912 A CN 111428912A
Authority
CN
China
Prior art keywords
orbit
mars
support vector
vector machine
probe
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.)
Granted
Application number
CN202010136359.7A
Other languages
English (en)
Other versions
CN111428912B (zh
Inventor
朱庆华
刘宇
朱津津
王丹娜
蔡雄
鲁启东
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.)
Shanghai Aerospace Control Technology Institute
Original Assignee
Shanghai Aerospace Control Technology Institute
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 Shanghai Aerospace Control Technology Institute filed Critical Shanghai Aerospace Control Technology Institute
Priority to CN202010136359.7A priority Critical patent/CN111428912B/zh
Publication of CN111428912A publication Critical patent/CN111428912A/zh
Application granted granted Critical
Publication of CN111428912B publication Critical patent/CN111428912B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于支持向量机的火星探测器轨道预测方法及系统。本方法以环火轨道偏差作为学习变量，基于支持向量机对后续时刻的火星探测器轨道参数的误差进行预测，实现高精度的火星探测器环火轨道参数的预测。本方法主要包括3个步骤：1)简化火星探测器环火轨道动力学模型，并设计环火轨道偏差参数，建立以环火轨道偏差为学习变量的支持向量机(PE_SVM)；2)采用之前的火星探测器环火轨道测定轨数据对PE_SVM进行嵌套训练，直到达到需要的精度；3)以训练好的PE_SVM预报△t后的火星探测器轨道偏差，与动力学模型输出的火星探测器轨道相加，得到高精度的火星探测器环火轨道的预测参数。

Description

一种基于支持向量机的火星探测器轨道预测方法及系统
技术领域
本发明涉及火星探测器轨道预测方法。具体涉及一种以环火轨道偏差作为学习变量，基于支持向量机对后续时刻的火星探测器轨道参数的误差进行预测，实现高精度的火星探测器环火轨道参数预测的方法。
背景技术
火星探测器在飞行过程中，离地面十分遥远，地面测控精度比地球轨道航天器要低2个量级，可以达到百千米量级，难以满足火星探测器轨道控制的要求。常用的基于航天器轨道动力学外推的探测器轨道参数预测方法的精度受限于精确的航天器轨道动力学建模精度。而由于火星周围环境不明，火星轨道动力学的建模精度远远低于地球轨道航天器，动力学外推的常规方法难以提供精确的火星探测器环火轨道参数。
发明内容
本发明的目的在于：克服现有技术的不足，提出了一种基于支持向量机的火星探测器轨道预测方法。
为了解决上述技术问题，本发明通过以下的技术方案实现：
一种基于支持向量机的火星探测器轨道预测方法,包括如下步骤：
步骤一：简化火星探测器环火轨道动力学模型，并设计环火轨道偏差参数，建立以环火轨道偏差为学习变量的支持向量机；
步骤二：采用之前的火星探测器环火轨道测定轨数据对步骤一中建立的支持向量机进行嵌套训练，直到达到需要的精度；
步骤三：确定预报时间△t，以步骤二中训练好的支持向量机预报△t后的火星探测器轨道偏差，同时采用步骤一中建立的简化火星探测器环火轨道动力学模型输出△t后的火星探测器轨道偏差，将两者相加得到火星探测器环火轨道的预测参数，实现基于支持向量机的火星探测器轨道预测。
进一步的，对完整的火星探测器环火轨道动力学模型进行简化，具体简化如下表所示：
简化模型
火星中心引力项 含
火星球谐引力项 2×2
太阳三体引力 含
木星三体引力 含
地球三体引力 无
其他三体引力 无
火星大气模型 无
太阳光压模型 固定
太阳活动模型 无
。
进一步的，环火轨道偏差参数包括支持向量机的学习参量及目标参量；
学习参量L包括：
(1)预测时长△t；其定义为预测时刻tj与当前时刻ti的差；
(2)当前时刻ti轨道状态估计值：
Figure BDA0002397462830000021
其中[aeiΩωf]依次为火星轨道半长轴、火星轨道偏心率、火星轨道倾角、火星轨道升交点赤经、火星轨道近火点辐角、火星轨道真近点角，[rxryrzvxvyvz]为火星J2000惯性系下火星探测器的位置三轴分量及速度三轴分量；
(3)预测时刻tj的轨道状态估计值：
Figure BDA0002397462830000022
其中[a′e′i′Ω′ω′f′]依次为采用简化模型预测时刻tj时火星轨道半长轴的估计值、火星轨道偏心率的估计值、火星轨道倾角的估计值、火星轨道升交点赤经的估计值、火星轨道近火点辐角的估计值、火星轨道真近点角的估计值，[r′xr′yr′zv′xv′yv′z]为火星J2000惯性系下火星探测器的位置三轴分量的估计值及速度三轴分量的估计值。
进一步的，目标参量T为预测轨道的偏差E，其表达式如下：
Figure BDA0002397462830000031
其中
Figure BDA0002397462830000032
依次为预测时刻tj的火星J2000惯性系下火星探测器的位置x轴分量的估计值与真值的偏差、位置y轴分量的估计值与真值的偏差、位置z轴分量的估计值与真值的偏差、速度x轴分量的估计值与真值的偏差、速度y轴分量的估计值与真值的偏差以及速度z轴分量的估计值与真值的偏差。
进一步的，根据所述学习变量及目标参量，采用高斯内核构建完整的支持向量机PE_SVM。
进一步的，所述步骤二采用之前的火星探测器环火轨道测定轨数据对步骤一中建立的PE_SVM进行嵌套训练，具体为：
采用先前的测定轨数据及偏差建立训练数据，以前4周每2分钟间隔的火星探测器环火轨道测定轨数据Lti与偏差数据Eti构成学习数据库，i＝1…N，对支持向量机PE_SVM进行训练，训练的精度设置为1km；当达到所设定的训练精度后，PE_SVM完成训练。
进一步的，按照预报时间△t，根据步骤一中建立的简化火星轨道动力学模型进行数值外推，得到预报时刻tj的火星探测器环火轨道参数估计值
Figure BDA0002397462830000033
按照预报时间△t，采用步骤二中训练好的支持向量机PE_SVM模型对△t后轨道预报的偏差进行估计
Figure BDA0002397462830000034
进一步的，将轨道预报的偏差E(tj)与环火轨道参数估计值
Figure BDA0002397462830000035
的位置及速度分量相加得到环火轨道位置及速度参数的精确估计值r"yr"zv"xv"yv"z，并更新环火轨道参数估计值为X′(tj)＝[a′e′i′Ω′ω′f′r"xr"yr"zv"xv"yv"z]。
进一步的，采用状态变量到轨道根数的标准转换算法，利用r"yr"zv"xv"yv"z对轨道根数进行更新，得到火星探测器tj时刻新的轨道根数a”e”i“Ω”ω”f”，进而形成完整的tj的火星探测器轨道状态的精确估计值X(tj)＝[a”e”i“Ω”ω”f”r"xr"yr"zv"xv"yv"z]。
进一步的，本发明还提出一种火星探测器轨道预测系统，包括：
支持向量机建立模块：简化火星探测器环火轨道动力学模型，并设计环火轨道偏差参数，建立以环火轨道偏差为学习变量的支持向量机；
训练模块：采用之前的火星探测器环火轨道测定轨数据对建立的支持向量机进行嵌套训练，直到达到需要的精度；
轨道预测模块：确定预报时间△t，以训练好的支持向量机预报△t后的火星探测器轨道偏差，同时采用建立的简化火星探测器环火轨道动力学模型输出△t后的火星探测器轨道偏差，将两者相加得到火星探测器环火轨道的预测参数，实现基于支持向量机的火星探测器轨道预测。
本发明采用的方法与现有技术相比，其优点和有益效果是：
(1)本方法以环火轨道偏差作为学习变量，基于先前测定轨数据训练支持向量机(SVM)形成误差模型，再对后续时刻的火星探测器轨道参数的误差进行预测，与轨道动力学外推得到的轨道结合后，实现高精度的火星探测器环火轨道的预测。
(2)本方法不需要依赖于火星精确的动力学模型，可大大提高环火轨道火星探测器的轨道参数预报精度。
(3)本方法的实施不需要增加新的观测量，也不需要增加新的观测设备，利用现有条件即可实施。
附图说明
图1为支持向量机PE_SVM训练过程图；
具体实施方式
本方法以环火轨道偏差作为学习变量，基于先前测定轨数据训练支持向量机(SVM)形成误差模型，再对后续时刻的火星探测器轨道参数的误差进行预测，与轨道动力学外推得到的轨道结合后，实现高精度的火星探测器环火轨道的预测。
本发明所述的基于支持向量机的火星探测器轨道预测方法，其步骤如下：
步骤一：简化火星探测器环火轨道动力学模型，并设计环火轨道偏差参数，建立以环火轨道偏差为学习变量的支持向量机(PE_SVM)；
首先对已知的完整的火星探测器环火轨道动力学模型进行简化，以适应火星探测器上计算机主频的限制。具体简化如下表所示：
Figure BDA0002397462830000051
建立了简化的火星轨道动力学模型后，我们可以设计基于轨道偏差的SVM算法(PE_SVM)的学习参量及目标参量如下：
PE_SVM的学习参量L包括：
(1)预测时长△t；其定义为预测时刻tj与当前时刻ti的差；
(2)当前时刻ti轨道状态估计值：
Figure BDA0002397462830000052
其中[aeiΩωf]依次为火星轨道半长轴、火星轨道偏心率、火星轨道倾角、火星轨道升交点赤经、火星轨道近火点辐角、火星轨道真近点角，[rxryrzvxvyvz]为火星J2000惯性系下火星探测器的位置(三轴分量)及速度(三轴分量)；
(3)预测时刻tj的轨道状态估计值：
Figure BDA0002397462830000061
其中[a′e′i′Ω′ω′f′]依次为采用简化模型预测时刻tj时火星轨道半长轴的估计值、火星轨道偏心率的估计值、火星轨道倾角的估计值、火星轨道升交点赤经的估计值、火星轨道近火点辐角的估计值、火星轨道真近点角的估计值，[r′xr′yr′zv′xv′yv′z]为火星J2000惯性系下火星探测器的位置(三轴分量)的估计值及速度(三轴分量)的估计值；
PE_SVM的目标参量T为预测轨道的偏差E，其表达式如下：
Figure BDA0002397462830000062
其中
Figure BDA0002397462830000063
依次为预测时刻tj的火星J2000惯性系下火星探测器的位置x轴分量的估计值与真值的偏差、位置y轴分量的估计值与真值的偏差、位置z轴分量的估计值与真值的偏差、速度x轴分量的估计值与真值的偏差、速度y轴分量的估计值与真值的偏差以及速度z轴分量的估计值与真值的偏差。
根据以上学习变量及目标参量，采用高斯内核构建完整的PE_SVM算法用于火星探测器环火轨道状态预测。
步骤二：采用之前的火星探测器环火轨道测定轨数据对步骤一中建立的PE_SVM进行嵌套训练，直到达到需要的精度；
采用先前的测定轨数据及偏差建立训练数据。以前4周每2分钟间隔的火星探测器环火轨道测定轨数据Lti(i＝1…N)与偏差数据Eti(i＝1…N)构成学习数据库，对PE_SVM算法进行训练。训练的精度依据需求而定，通常可设置了1km。训练过程参见说明书附图1本发明PE_SVM训练过程图。
图1中横坐标t1～tN区间，即为PE_SVM的训练过程。从图1中可以看到，随着训练的增加，PE_SVM越来越接近真实轨道。当达到所设定的训练精度后，PE_SVM完成训练，可以开展后续精确预测步骤。
步骤三：计算预报时间△t，以步骤二中训练好的PE_SVM预报△t后的火星探测器轨道偏差，同时采用步骤一中建立的简化火星探测器环火轨道动力学模型输出△t后的火星探测器轨道偏差，将两者相加，便得到了高精度的火星探测器环火轨道的预测参数。
a)按照预报时间△t，根据步骤一中建立的简化火星轨道动力学模型进行数值外推，得到预报时刻tj的火星探测器环火轨道参数估计值
Figure BDA0002397462830000071
Figure BDA0002397462830000072
b)按照预报时间△t，采用步骤二中训练好的PE_SVM模型对△t后轨道预报的偏差进行估计
Figure BDA0002397462830000073
c)将轨道预报的偏差E(tj)与环火轨道参数估计值
Figure BDA0002397462830000074
的位置及速度分量相加得到精确的环火轨道位置及速度参数的精确估计值r"yr"zv"xv"yv"z，并更新环火轨道参数估计值为X′(tj)＝[a′e′i′Ω′ω′f′r"xr"yr"zv"xv"yv"z]；
d)采用状态变量到轨道根数的标准转换算法，利用r"yr"zv"xv"yv"z对轨道根数进行更新，得到火星探测器tj时刻新的轨道根数a”e”i“Ω”ω”f”。
e)形成完整的tj的火星探测器轨道状态的精确估计值
X(tj)＝[a”e”i“Ω”ω”f”r"xr"yr"zv"xv"yv"z]
本方法以环火轨道偏差作为学习变量，基于先前测定轨数据训练支持向量机(SVM)形成误差模型，再对后续时刻的火星探测器轨道参数的误差进行预测，与轨道动力学外推得到的轨道结合后，实现高精度的火星探测器环火轨道的预测。本方法的实施不需要增加新的观测量，也不需要增加新的观测设备，不需要依赖于火星精确的动力学模型，利用现有条件即可实施，可大大提高环火轨道火星探测器的轨道参数预报精度。

Claims (10)

1.一种基于支持向量机的火星探测器轨道预测方法,其特征在于包括如下步骤：
步骤一：简化火星探测器环火轨道动力学模型，并设计环火轨道偏差参数，建立以环火轨道偏差为学习变量的支持向量机；
步骤二：采用之前的火星探测器环火轨道测定轨数据对步骤一中建立的支持向量机进行嵌套训练，直到达到需要的精度；
步骤三：确定预报时间△t，以步骤二中训练好的支持向量机预报△t后的火星探测器轨道偏差，同时采用步骤一中建立的简化火星探测器环火轨道动力学模型输出△t后的火星探测器轨道偏差，将两者相加得到火星探测器环火轨道的预测参数，实现基于支持向量机的火星探测器轨道预测。
2.根据权利要求1所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：对完整的火星探测器环火轨道动力学模型进行简化，具体简化如下表所示：
简化模型 火星中心引力项 含 火星球谐引力项 2×2 太阳三体引力 含 木星三体引力 含 地球三体引力 无 其他三体引力 无 火星大气模型 无 太阳光压模型 固定 太阳活动模型 无
。
3.根据权利要求1所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：环火轨道偏差参数包括支持向量机的学习参量及目标参量；
学习参量L包括：
(1)预测时长△t；其定义为预测时刻tj与当前时刻ti的差；
(2)当前时刻ti轨道状态估计值：
Figure FDA0002397462820000021
其中[a e i Ωω f]依次为火星轨道半长轴、火星轨道偏心率、火星轨道倾角、火星轨道升交点赤经、火星轨道近火点辐角、火星轨道真近点角，[rx ry rz vx vy vz]为火星J2000惯性系下火星探测器的位置三轴分量及速度三轴分量；
(3)预测时刻tj的轨道状态估计值：
Figure FDA0002397462820000022
其中[a′ e′ i′ Ω′ ω′ f′]依次为采用简化模型预测时刻tj时火星轨道半长轴的估计值、火星轨道偏心率的估计值、火星轨道倾角的估计值、火星轨道升交点赤经的估计值、火星轨道近火点辐角的估计值、火星轨道真近点角的估计值，[r′x r′y r′z v′x v′y v′z]为火星J2000惯性系下火星探测器的位置三轴分量的估计值及速度三轴分量的估计值。
4.根据权利要求3所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：目标参量T为预测轨道的偏差E，其表达式如下：
Figure FDA0002397462820000023
其中
Figure FDA0002397462820000024
依次为预测时刻tj的火星J2000惯性系下火星探测器的位置x轴分量的估计值与真值的偏差、位置y轴分量的估计值与真值的偏差、位置z轴分量的估计值与真值的偏差、速度x轴分量的估计值与真值的偏差、速度y轴分量的估计值与真值的偏差以及速度z轴分量的估计值与真值的偏差。
5.根据权利要求4所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：根据所述学习变量及目标参量，采用高斯内核构建完整的支持向量机PE_SVM。
6.根据权利要求4所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：所述步骤二采用之前的火星探测器环火轨道测定轨数据对步骤一中建立的PE_SVM进行嵌套训练，具体为：
采用先前的测定轨数据及偏差建立训练数据，以前4周每2分钟间隔的火星探测器环火轨道测定轨数据Lti与偏差数据Eti构成学习数据库，i＝1…N，对支持向量机PE_SVM进行训练，训练的精度设置为1km；当达到所设定的训练精度后，PE_SVM完成训练。
7.根据权利要求4所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：
按照预报时间△t，根据步骤一中建立的简化火星轨道动力学模型进行数值外推，得到预报时刻tj的火星探测器环火轨道参数估计值
Figure FDA0002397462820000031
Figure FDA0002397462820000032
按照预报时间△t，采用步骤二中训练好的支持向量机PE_SVM模型对△t后轨道预报的偏差进行估计
Figure FDA0002397462820000033
8.根据权利要求7所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：将轨道预报的偏差E(tj)与环火轨道参数估计值
Figure FDA0002397462820000034
的位置及速度分量相加得到环火轨道位置及速度参数的精确估计值r"y r"z v"x v"y v"z，并更新环火轨道参数估计值为X′(tj)＝[a′ e′ i′ Ω′ ω′ f′ r"x r"y r"z v"x v"y v"z]。
9.根据权利要求8所述的一种基于支持向量机的火星探测器轨道预测方法，其特征在于：采用状态变量到轨道根数的标准转换算法，利用r"y r"z v"x v"y v"z对轨道根数进行更新，得到火星探测器tj时刻新的轨道根数a” e” i “Ω” ω” f”，进而形成完整的tj的火星探测器轨道状态的精确估计值X(tj)＝[a” e” i “Ω” ω” f” r"x r"y r"z v"x v"y v"z]。
10.一种根据权利要求1～9中任一项所述的火星探测器轨道预测方法实现的火星探测器轨道预测系统，其特征在于包括：
支持向量机建立模块：简化火星探测器环火轨道动力学模型，并设计环火轨道偏差参数，建立以环火轨道偏差为学习变量的支持向量机；
训练模块：采用之前的火星探测器环火轨道测定轨数据对建立的支持向量机进行嵌套训练，直到达到需要的精度；
轨道预测模块：确定预报时间△t，以训练好的支持向量机预报△t后的火星探测器轨道偏差，同时采用建立的简化火星探测器环火轨道动力学模型输出△t后的火星探测器轨道偏差，将两者相加得到火星探测器环火轨道的预测参数，实现基于支持向量机的火星探测器轨道预测。
CN202010136359.7A 2020-03-02 2020-03-02 一种基于支持向量机的火星探测器轨道预测方法及系统 Active CN111428912B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010136359.7A CN111428912B (zh) 2020-03-02 2020-03-02 一种基于支持向量机的火星探测器轨道预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010136359.7A CN111428912B (zh) 2020-03-02 2020-03-02 一种基于支持向量机的火星探测器轨道预测方法及系统

Publications (2)

Publication Number Publication Date
CN111428912A true CN111428912A (zh) 2020-07-17
CN111428912B CN111428912B (zh) 2023-07-14

Family

ID=71547412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010136359.7A Active CN111428912B (zh) 2020-03-02 2020-03-02 一种基于支持向量机的火星探测器轨道预测方法及系统

Country Status (1)

Country Link
CN (1) CN111428912B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113155136A (zh) * 2020-12-29 2021-07-23 千寻位置网络有限公司 Gnss卫星轨道预报偏差量分析模型的训练方法及装置
CN114970341A (zh) * 2022-05-18 2022-08-30 中国西安卫星测控中心 基于机器学习的低轨卫星轨道预报精度提升模型建立方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104035333A (zh) * 2014-05-23 2014-09-10 北京空间飞行器总体设计部 一种深空探测器动力下降初始关键参数优化方法
CN104423272A (zh) * 2013-08-27 2015-03-18 上海新跃仪表厂 火星捕获制动控制高保真仿真方法及装置
CN106679675A (zh) * 2016-12-29 2017-05-17 北京理工大学 一种基于相对测量信息的火星最终接近段自主导航方法
CN107451656A (zh) * 2017-08-08 2017-12-08 上海航天控制技术研究所 一种火星探测器器上自主轨道计算方法
CN110104219A (zh) * 2019-04-24 2019-08-09 中国人民解放军63920部队 一种控制探测器着陆地外天体的方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104423272A (zh) * 2013-08-27 2015-03-18 上海新跃仪表厂 火星捕获制动控制高保真仿真方法及装置
CN104035333A (zh) * 2014-05-23 2014-09-10 北京空间飞行器总体设计部 一种深空探测器动力下降初始关键参数优化方法
CN106679675A (zh) * 2016-12-29 2017-05-17 北京理工大学 一种基于相对测量信息的火星最终接近段自主导航方法
CN107451656A (zh) * 2017-08-08 2017-12-08 上海航天控制技术研究所 一种火星探测器器上自主轨道计算方法
CN110104219A (zh) * 2019-04-24 2019-08-09 中国人民解放军63920部队 一种控制探测器着陆地外天体的方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄文涛 等: "空间激光干涉引力波探测器轨道修正方法" *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113155136A (zh) * 2020-12-29 2021-07-23 千寻位置网络有限公司 Gnss卫星轨道预报偏差量分析模型的训练方法及装置
CN113155136B (zh) * 2020-12-29 2022-08-05 千寻位置网络有限公司 Gnss卫星轨道预报偏差量分析模型的训练方法及装置
CN114970341A (zh) * 2022-05-18 2022-08-30 中国西安卫星测控中心 基于机器学习的低轨卫星轨道预报精度提升模型建立方法
CN114970341B (zh) * 2022-05-18 2024-04-02 中国西安卫星测控中心 基于机器学习的低轨卫星轨道预报精度提升模型建立方法

Also Published As

Publication number Publication date
CN111428912B (zh) 2023-07-14

Similar Documents

Publication Publication Date Title
CN112257343B (zh) 一种高精度地面轨迹重复轨道优化方法及系统
CN104236546B (zh) 一种卫星星光折射导航误差确定与补偿方法
CN108388135B (zh) 一种基于凸优化的火星着陆轨迹优化控制方法
Battin A statistical optimizing navigation procedure for space flight
CN107655485B (zh) 一种巡航段自主导航位置偏差修正方法
CN110378012B (zh) 一种考虑高阶重力场的严格回归轨道设计方法、系统及介质
CN107944084B (zh) 一种深空探测器行星借力飞行轨道评估方法
CN105203110A (zh) 一种基于大气阻力模型补偿的低轨卫星轨道预报方法
CN111428912A (zh) 一种基于支持向量机的火星探测器轨道预测方法及系统
CN105701283B (zh) 地球非球形摄动作用下自由段弹道误差传播的分析方法
CN112683261A (zh) 一种基于速度预测的无人机鲁棒性导航方法
CN113392591B (zh) 一种基于硅微结构分析的mems加速度计温漂误差估计方法
CN112797988B (zh) 基于神经网络的未知机动航天器轨道确定方法
CN109781374A (zh) 一种实时在线快速估计飞行器推力的方法
CN106092092A (zh) 面向脉冲星导航系统的分数阶可观测性分析方法
Miedziński et al. Missile aerodynamics model identification using flight data
CN115774928A (zh) 基于改进Laplace模型的空间碎片短弧仅测角初定轨优化方法
CN111382514B (zh) 一种基于监督学习的火星探测飞行轨道精确计算方法及系统
CN113282097B (zh) 一种geo博弈航天器相对位置非球形摄动误差的控制方法
CN114509580B (zh) 一种小量程加速度计高精度温度建模方法
CN104713561A (zh) 一种月球探测器精密定轨方法
CN112327333B (zh) 一种卫星位置计算方法及装置
CN115392540A (zh) 一种用于月球轨道交会制导的快速预报方法
CN113885352A (zh) 火星edl全过程自主gnc数学仿真验证系统
CN111947668A (zh) 基于在线估计的木星探测器测角/测距组合导航方法

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
GR01 Patent grant
GR01 Patent grant