CN112270127B - 用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质 - Google Patents
用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112270127B CN112270127B CN202011174066.4A CN202011174066A CN112270127B CN 112270127 B CN112270127 B CN 112270127B CN 202011174066 A CN202011174066 A CN 202011174066A CN 112270127 B CN112270127 B CN 112270127B
- Authority
- CN
- China
- Prior art keywords
- training data
- steps
- generation method
- data generation
- data
- 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
Links
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质,属于空间在轨服务领域。本发明充分发掘了姿态测量的任务特点,利用目标姿态运动的时间连续性,对生成的观测矩阵进行了重复、循环利用,从而提高生成效率、减少生成数据所需的时间;每生成一个虚拟目标,则让其连续运动N步,生成N个观测矩阵;然后,每相邻两步的两个观测矩阵可以组成一组训练数据;同时,每相邻三步、四步、直至M步的首、尾两步的观测矩阵也可以分别组成一组训练数据;由此推算,生成N次观测矩阵,可得到组训练数据;本发明对训练数据生成效率有明显的提高。
Description
技术领域
本发明属于空间在轨服务领域,尤其是用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质。
背景技术
随着人类对太空的探索与开发进程的推进,针对非合作目标的抓捕、维修、加注、回收和清除等在轨服务技术的重要性日益凸显。针对非合作目标的在轨服务任务中,服务卫星在对接前对目标的运动状态进行精确地测量与预判,是实现安全对接或抓捕的前提,也是任务成功的关键。
传统的基于相机或激光测距雷达等测量设备对非合作目标的姿态运动进行测量的方法,存在目标外形建模困难、空间环境恶劣使得算法不稳定等缺点。而基于卷积神经网络的智能运动状态识别算法,凭借其算法设计简单、不依赖特定模型、在线计算量小、收敛性好等特点,日益受到相关研究者们的关注。
若要充分发挥神经网络方法的优势,必须使用大量的数据对网络进行充分的训练。由于卫星发射成本极高、目前在轨服务的卫星数目较少,因此需要使用计算机仿真方法生成合理的训练数据。针对空间目标姿态测量神经网络的训练数据,由网络输入数据和网络输出数据两部分组成,其中,网络输入数据为两个相邻时刻的激光测距雷达测量得到的距离矩阵,网络输出数据为目标在两个时刻之间旋转过的角度。在生成训练数据时,生成网络输入数据所需的计算时间占总生成时间的99%以上,因此,提高网络输入数据生成算法的效率,是减少数据生成时间、提高网络训练效率的关键。
发明内容
本发明的目的在于克服空间目标姿态测量神经网络的网络输入的训练数据生成效率低的缺点,提供用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质。
为达到上述目的,本发明采用以下技术方案予以实现:
一种用于空间目标姿态测量网络的训练数据生成方法,包括以下步骤:
S1、基于实际任务生成一个虚拟的空间非合作目标;
S2、根据虚拟的空间非合作目标的形状和初始姿态,使用计算机仿真方法模拟出激光测距雷达的原始测量数据,记为矩阵A0;
S3、基于实际任务环境的统计数据,随机将虚拟的空间非合作目标旋转一个角度,记为Ω1;
S4、基于A0和Ω1,利用姿态动力学方程计算预设时间间隔后所述虚拟的空间非合作目标的形状和姿态,根据所述形状和姿态,模拟出激光测距雷达的原始测量数据,记为矩阵A1;
S5、重复S3和S4共N次,得到Ω1,L,ΩN以及A1,L,AN;
S6、以I=[Ai,Aj]作为网络输入数据,以作为网络输出数据,构成一组训练数据;
基于Ω1,L,ΩN以及A1,L,AN,共构成组训练数据;
其中,i、j均为遍历序号,M为最大跨越步数,0≤i<j≤N,j-i≤M;
S7、重复步骤S1-S6,直到得到预设组的训练数据。
进一步的,所述原始测量数据为两个相邻时刻的距离矩阵。
进一步的,S5中的N=2~40。
进一步的,S5中的N=20~40。
进一步的,S6中的M=2~8。
与现有技术相比,本发明具有以下有益效果:
本发明的用于空间目标姿态测量网络的训练数据生成方法,充分发掘了姿态测量的任务特点,利用目标姿态运动的时间连续性,对生成的观测矩阵进行了重复、循环利用,从而提高生成效率、减少生成数据所需的时间;其具体做法为:每生成一个虚拟目标,则让其连续运动N步,生成N个观测矩阵;然后,每相邻两步的两个观测矩阵可以组成一组训练数据;同时,每相邻三步、四步、直至M步的首、尾两步的观测矩阵也可以分别组成一组训练数据;由此推算,生成N次观测矩阵,可得到组训练数据;现有的训练数据生成技术,每组数据的生成都是相互独立的,因此每组训练数据均需要生成两次观测矩阵,效率很低,只能得到/>组训练数据;本发明对训练数据生成效率有明显的提高。
进一步的,N=2~40,N取值越大,生成训练数据的效率越高,但如果参数N大于40,则得到的训练数据对应的目标外形的分散性太差,容易导致神经网络在训练中出现对目标外形的过拟合。
进一步的,M=2~8,参数M取值越大,则生成训练数据的效率越高,但如果参数M大于8,则得到的训练数据对应的旋转角度过于分散,易使神经网络在训练中出现对旋转角度的欠拟合。
本发明提供一种双通道地面站测试装置工作方法的计算机设备及存储介质,用于实现上述工作方法的具体步骤。
附图说明
图1为本发明的训练数据生成过程的示意图;
图2为传统的训练数据生成过程的示意图;
图3为传统方法训练的神经网络与本发明训练的神经网络的输出误差分布图;
图4为本发明实施例中计算机设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明针对对于空间非合作目标姿态测量网络,其输入数据由两个观测矩阵构成,分别为某时间段初始时刻的观测矩阵和终末时刻的观测矩阵。,而观测矩阵的生成占据了训练数据生成总时间的99%以上,提供了一种高效的神经网络训练数据的生成方法,相比与传统的逐个生成方法,本发明的训练数据的生成速度可以提升数倍。
本发明包括以下步骤:
(1)根据实际任务需求,随机生成一个虚拟的空间非合作目标的形状和初始姿态;
(2)根据虚拟目标的当前姿态和外形信息,计算由激光测距雷达测量得到的原始数据,记为矩阵A0;
(3)根据实际任务需求,随机生成目标的旋转角度,记为Ω1;
(4)利用姿态动力学方程和数值积分方法,计算给定时间间隔后虚拟目标的姿态,根据此时的姿态和目标外形,计算由激光测距雷达测量得到的原始数据,记为矩阵A1;
(5)重复步骤(3)和(4)N次,得到Ω1,L,ΩN以及A1,L,AN,其中N的大小由实际情况决定,一般可以取N=20。
(6)根据实际情况选择整数M,一般可以取M=4,然后,对于所有满足0≤i<j≤N且j-i≤M的i和j,以I=[Ai,Aj]作为网络输入数据,以作为网络输出数据,构成一组网络训练训练数据,则一共可以构造/>组训练数据;
(7)重复步骤(1)-(6),直到得到满足网络训练需求的数据数目。
下面结合附图对本发明做进一步详细描述:
参见图1和图2,图中的线段代表数值仿真演化过程,线段断点的圆圈代表生成一次测量数据,Di代表获得第i组训练数据。
图1为本发明的训练数据生成过程的过程示意图,其中,N=4,M=3,在生成观测矩阵的数目相同(均为4个)的情况下,本发明给出的方法得到的训练数据是传统方法的2.5倍。在N=20,M=4的情况下,本发明的方法效率可达到传统方法的5.4倍。
图2为传统方法生成训练数据的过程示意图,传统方法可以看作本发明给出的方法在N=2,M=2的情况下的特例。本发明充分发掘了姿态测量的任务特性,利用目标姿态运动的时间连续特征,对生成的观测矩阵进行了重复、循环利用,从而提高了生成效率、减少了生成数据所需的时间。
实施例
假设空间中,某未知目标的外形为长方体,其长宽高为0.5~2米的范围内的未知值,目标角速度的波动范围为0~0.2弧度/秒,对目标进行观测的激光测距雷达设备的分辨率为51×51。则使用卷积神经网络对其姿态进行测算时,需要20000个训练数据进行训练。
使用普通个人计算机,每模拟生成一组观测矩阵(即原始测量数据),大约需要0.04秒,则采用传统数据生成方法,生成20000组训练数据共耗时约26.7分钟。而使用本发明所述的方法,取N=20,M=4,则生成20000组数据仅耗时约4.9分钟,耗时仅为传统方法的18.5%。
同时,使用传统方法的数据训练的卷积神经网络,与使用本方法给出的数据来训练的神经网络,其输出精度是相似的。图3比较了两种训练数据训练出的神经网络的对于1000个实际数据的输出误差分布图,可见两者的输出误差分布基本相同,误差均值都在4.8°左右。也就是说,本发明给出的数据生成方法,可以在保证训练精度的前提下,极大地降低生成训练数据所需的时间。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机程序被处理器执行时以实现双通道地面站测试装置的工作方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:S1、基于实际任务生成一个虚拟的空间非合作目标;
S2、根据虚拟的空间非合作目标的形状和初始姿态,使用计算机仿真方法模拟出激光测距雷达的原始测量数据,记为矩阵A0;
S3、基于实际任务环境的统计数据,随机将虚拟的空间非合作目标旋转一个角度,记为Ω1;
S4、基于A0和Ω1,利用姿态动力学方程计算预设时间间隔后所述虚拟的空间非合作目标的形状和姿态,根据所述形状和姿态,模拟出激光测距雷达的原始测量数据,记为矩阵A1;
S5、重复S3和S4共N次,得到Ω1,L,ΩN以及A1,L,AN;
S6、以I=[Ai,Aj]作为网络输入数据,以作为网络输出数据,构成一组训练数据;
基于Ω1,L,ΩN以及A1,L,AN,共构成组训练数据;
其中,i、j均为遍历序号,M为最大跨越步数,0≤i<j≤N,j-i≤M;
S7、重复步骤S1-S6,直到得到预设组的训练数据。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:S1、基于实际任务生成一个虚拟的空间非合作目标;
S2、根据虚拟的空间非合作目标的形状和初始姿态,使用计算机仿真方法模拟出激光测距雷达的原始测量数据,记为矩阵A0;
S3、基于实际任务环境的统计数据,随机将虚拟的空间非合作目标旋转一个角度,记为Ω1;
S4、基于A0和Ω1,利用姿态动力学方程计算预设时间间隔后所述虚拟的空间非合作目标的形状和姿态,根据所述形状和姿态,模拟出激光测距雷达的原始测量数据,记为矩阵A1;
S5、重复S3和S4共N次,得到Ω1,L,ΩN以及A1,L,AN;
S6、以I=[Ai,Aj]作为网络输入数据,以作为网络输出数据,构成一组训练数据;
基于Ω1,L,ΩN以及A1,L,AN,共构成组训练数据;
其中,i、j均为遍历序号,M为最大跨越步数,0≤i<j≤N,j-i≤M;
S7、重复步骤S1-S6,直到得到预设组的训练数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种用于空间目标姿态测量网络的训练数据生成方法,其特征在于,包括以下步骤:
S1、基于实际任务生成一个虚拟的空间非合作目标;
S2、根据虚拟的空间非合作目标的形状和初始姿态,使用计算机仿真方法模拟出激光测距雷达的原始测量数据,记为矩阵A0;
S3、基于实际任务环境的统计数据,随机将虚拟的空间非合作目标旋转一个角度,记为Ω1;
S4、基于A0和Ω1,利用姿态动力学方程计算预设时间间隔后所述虚拟的空间非合作目标的形状和姿态,根据所述形状和姿态,模拟出激光测距雷达的原始测量数据,记为矩阵A1;
S5、重复S3和S4共N次,得到Ω1,L,ΩN以及A1,L,AN;
S6、以I=[Ai,Aj]作为网络输入数据,以作为网络输出数据,构成一组训练数据;
基于Ω1,L,ΩN以及A1,L,AN,共构成组训练数据;
其中,i、j均为遍历序号,M为最大跨越步数,0≤i<j≤N,j-i≤M;
S7、重复步骤S1-S6,直到得到预设组的训练数据。
2.根据权利要求1所述的训练数据生成方法,其特征在于,所述原始测量数据为两个相邻时刻的距离矩阵。
3.根据权利要求1所述的训练数据生成方法,其特征在于,S5中的N=2~40。
4.根据权利要求1所述的训练数据生成方法,其特征在于,S5中的N=20~40。
5.根据权利要求1所述的训练数据生成方法,其特征在于,S6中的M=2~8。
6.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-5任一项所述的训练数据生成方法的步骤。
7.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-5任一项所述的训练数据生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011174066.4A CN112270127B (zh) | 2020-10-28 | 2020-10-28 | 用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011174066.4A CN112270127B (zh) | 2020-10-28 | 2020-10-28 | 用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112270127A CN112270127A (zh) | 2021-01-26 |
CN112270127B true CN112270127B (zh) | 2023-10-20 |
Family
ID=74345313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011174066.4A Active CN112270127B (zh) | 2020-10-28 | 2020-10-28 | 用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270127B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876814A (zh) * | 2018-01-11 | 2018-11-23 | 南京大学 | 一种生成姿态流图像的方法 |
CN109145387A (zh) * | 2018-07-25 | 2019-01-04 | 西北工业大学 | 基于特征频率的空间翻滚目标惯性特征的智能识别方法 |
CN111492406A (zh) * | 2017-10-11 | 2020-08-04 | 通用电气公司 | 使用机器学习的图像生成 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10475214B2 (en) * | 2017-04-05 | 2019-11-12 | General Electric Company | Tomographic reconstruction based on deep learning |
-
2020
- 2020-10-28 CN CN202011174066.4A patent/CN112270127B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111492406A (zh) * | 2017-10-11 | 2020-08-04 | 通用电气公司 | 使用机器学习的图像生成 |
CN108876814A (zh) * | 2018-01-11 | 2018-11-23 | 南京大学 | 一种生成姿态流图像的方法 |
CN109145387A (zh) * | 2018-07-25 | 2019-01-04 | 西北工业大学 | 基于特征频率的空间翻滚目标惯性特征的智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112270127A (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zambrano et al. | Solar irradiance forecasting models without on-site training measurements | |
Zeng et al. | Support vector machine-based short-term wind power forecasting | |
CN110738252A (zh) | 空间自相关的机器学习卫星降水数据降尺度方法、系统 | |
Chadwick et al. | An artificial neural network technique for downscaling GCM outputs to RCM spatial scale | |
CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
Cao et al. | Physics-informed graphical representation-enabled deep reinforcement learning for robust distribution system voltage control | |
CN114581781B (zh) | 一种高分辨率遥感图像的目标检测方法及装置 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
CN112270127B (zh) | 用于空间目标姿态测量网络的训练数据生成方法、计算机设备及存储介质 | |
Mohammadi et al. | A Deep Learning‐to‐learning Based Control system for renewable microgrids | |
CN117972516A (zh) | 一种基于新型Transformer架构的在线行波故障辨识方法 | |
Choi et al. | A daily peak load forecasting system using a chaotic time series | |
CN114252871B (zh) | 一种基于机器学习的雷达测量精度补偿方法 | |
CN112327317B (zh) | 一种基于卷积神经网络的空间非合作目标角速度测量方法 | |
Ruppel et al. | Transformers for object detection in large point clouds | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN115544860A (zh) | 间歇性分布式电源在复杂运行场景下的出力建模方法 | |
CN114741956A (zh) | 一种基于图神经网络的碳排放流追踪方法 | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
CN113077112A (zh) | 数据获取方法及装置、计算机设备、存储介质 | |
Molinar et al. | Ampacity forecasting from numerical weather predictions: a fusion of the traditional and machine learning methods | |
KR102591679B1 (ko) | 경제급전을 위한 발전량 결정 장치 및 방법 | |
Kim et al. | A Design of the Real-Time Simulation for Wind Turbine Modeling with Machine Learning | |
CN117036661B (zh) | 一种空间目标姿态识别神经网络的在线实时性能评估方法 |
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 |