CN113642785B - 基于先验信息的空间碎片轨道长期预报方法、系统及设备 - Google Patents

基于先验信息的空间碎片轨道长期预报方法、系统及设备 Download PDF

Info

Publication number
CN113642785B
CN113642785B CN202110860020.6A CN202110860020A CN113642785B CN 113642785 B CN113642785 B CN 113642785B CN 202110860020 A CN202110860020 A CN 202110860020A CN 113642785 B CN113642785 B CN 113642785B
Authority
CN
China
Prior art keywords
long
term
threshold
weight
orbit
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
CN202110860020.6A
Other languages
English (en)
Other versions
CN113642785A (zh
Inventor
赵春梅
何正斌
张浩越
马天明
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.)
Chinese Academy of Surveying and Mapping
Original Assignee
Chinese Academy of Surveying and Mapping
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 Chinese Academy of Surveying and Mapping filed Critical Chinese Academy of Surveying and Mapping
Priority to CN202110860020.6A priority Critical patent/CN113642785B/zh
Publication of CN113642785A publication Critical patent/CN113642785A/zh
Application granted granted Critical
Publication of CN113642785B publication Critical patent/CN113642785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于先验信息的空间碎片轨道长期预报方法、系统、设备及存储介质。该方法包括：获取碎片历史轨道信息；将碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到空间碎片轨道长期预报模型输出的预报轨道信息，空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且空间碎片轨道长期预报模型的训练步骤包括：利用遗传GA算法对空间碎片轨道长期预报模型进行训练得到所述空间碎片轨道长期预报模型的第一权值和第一阈值；基于第一权值、第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用LM算法对模型进行训练，得到空间碎片轨道长期预报模型的第二权值和第二阈值。

Description

基于先验信息的空间碎片轨道长期预报方法、系统及设备
技术领域
本发明涉及天文定位领域，尤其涉及一种基于先验信息的空间碎片轨道长期预报方法、系统、设备及存储介质。
背景技术
空间碎片研究主要分为碎片跟踪探测、环境及数据库、防护和减缓四个领域。空间碎片轨道的精确确定与预报是实现碎片跟踪探测、建立环境及数据库、制定有效防护和减缓措施的重要支撑。现有编目碎片的轨道精度一般认为在百米甚至千米量级，其精度已经不能满足空天安全管理的需求，由空间碎片预报轨道精度不足引起的空间碰撞事件确有发生。空间目标的轨道可通过处理几何跟踪数据获得。利用精密跟踪数据，可较精确地确定工作卫星的轨道；对于数量众多的空间碎片而言，由于跟踪设施的缺乏、跟踪数据的稀疏及精度不足和某些摄动力模型的较大误差等原因，其轨道确定精度远远低于工作卫星的轨道精度，而轨道预报精度更是空间碎片空间态势感知(SSA)用户普遍关心的问题。轨道预报状态及其误差(或精度)信息作为空间态势感知的基础信息，是进行可靠碰撞预警的前提与保障，前者用于接近分析，后者用于碰撞概率计算。国内外学者针对碎片轨道确定与预报进行了相关研究，一些基本理论与方法得到了具体研究和验证，但从理论应用到具体实践，许多用户仍难以真实了解定轨结果的可靠性和精度。如何评价并提高碎片轨道确定及预报精度和可靠性是碎片定轨技术应用过程中必须要解决的关键问题，有关碎片数据处理的质量控制及质量分析方法需要进一步探讨和研究。尽管空间碎片的轨道预报原理同卫星的轨道预报原理相同，但是在实际轨道预报过程中，空间碎片的轨道预报与卫星又有着显著的差别。由于空间碎片因观测数据稀疏且精度有限、预报模型精度不高，导致其预报精度较差，难以满足实际应用。
在空间碎片轨道预报领域，现有技术中主要有物理学方法和机器学习方法。针对物理学方法，其利用卫星轨道数据以及空间碎片仿真数据建立预报模型，以提高空间碎片的轨道预测精度。针对机器学习方法，其基于历史观测结果对碎片轨道预报误差进行建模和预报。这种方法避免了对复杂误差传播的解析，使得7天的轨道预报误差从数百米甚至数千米减少到几十米。其中，大气阻力作为非保守力的重要因素之一，通过校准方法来改进当前的大气密度模型或开发新的模型。此外，空间碎片轨道预测方法还存在的问题在于，由于空间碎片观测数据稀疏，导致轨道预报存在误差，因此，还需分析轨道预报传播误差对轨道预报精度的影响。基于轨道误差的传播特性，通过初始协方差矩阵的构建、初始轨道协方差线性传播以及基于实测数据对轨道预报协方差的动态校正，相较于线性传播结果，精度大大提高，可服务于空间碰撞风险分析等高精度空间任务。
然而，针对机器学习方法，目前Jacchia71、MSIS86和DTM94大气阻力模型估计值准确度仅为15％，严重影响轨道预测的精度，尤其是长期预报结果。此外，针对物理学方法，由于使用一系列物理模型来量化微扰力对空间物体轨道的影响，精确确定其轨道状态后再进行轨道预报，因此，轨道预测的精度在很大程度上取决于轨道确定和摄动力模型的精度。这意味着需要对空间碎片的轨道状态以及空间环境变化有充分的了解，才能得到精确的轨道预测。但实际上，这种假设过于理想，这会面临两种困难：观测数据稀疏以及非保守力计算难以精确。对于观测数据稀疏问题，将TLE预测的位置作为伪观测数据，对轨道确定及预报过程进行约束，可以缓解稀疏分布的跟踪弧的几何缺陷，从而提高轨道预报精度。对于非保守力计算，可以使用长期的历史TLE集来估计弹道系数，这种方法有效的改善了轨道预测。然而，尽管可以采用更精确的力学模型以提高轨道预报精度，但非保守力受到参数不确定性的影响，难以满足高精度轨道预报需求。例如在大气阻力的情况下，阻力系数不仅取决于弹道系数，而且还取决于特定物体的方向，大小和材料属性，而对此现有技术的认识是有限的。所以对碎片轨道异常探测及轨道预报质量评定是提高轨道预报精度和可靠性的重要保证。一方面，基于TLE数据的机动检测算法中，数据关联和综合判断是十分有效的异常探测方法，其中数据关联方法对不改变轨道形状的异面机动和共面小推力机动更敏感，而综合判断法误判率更低。另一方面，基于轨道长期项摄动偏差变化率检测理论，对具体的空间目标进行空间事件检测与分析，也可以取得较好的结果。另外，少部分结果可以通过TLE轨道预报星历和高精度星历对比进行评估，假设存在更高精度的轨道数据，那么可以得到当前目标的位置状态，这是最直接有效的质量评定方式。目前现有技术中针对空间碎片轨道预报的研究大多数都基于传统的解析法和数值积分法进行优化的算法，且实验数据多采用仿真数据或卫星数据，实验结果过于乐观；在轨道预报误差的质量控制方面，现有研究较少，且未能对预报轨道提出直接的质量监测手段，大多仍是对预报误差进行分析。
发明内容
本发明提供一种基于先验信息的空间碎片轨道长期预报方法、系统、设备及存储介质，克服了现有技术中空间碎片的预报精度较低的问题，尤其实现了当空间碎片观测数据稀疏到不能精确获得轨道信息的情况下，通过基于历史轨道预报信息建立的高精度轨道长期预报模型来获得长期高精度预报轨道的技术效果。
具体地，本发明实施例提供了以下技术方案：
第一方面，本发明的实施例提供一种基于先验信息的空间碎片轨道长期预报方法，包括：
获取碎片历史轨道信息；
将所述碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到所述空间碎片轨道长期预报模型输出的所述预报轨道信息，所述空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且
所述空间碎片轨道长期预报模型的训练步骤包括：
利用所述遗传GA算法对所述空间碎片轨道长期预报模型进行训练得到所述空间碎片轨道长期预报模型的第一权值和第一阈值；
基于所述第一权值、所述第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用所述LM算法对所述空间碎片轨道长期预报模型进行训练，得到所述空间碎片轨道长期预报模型的第二权值和第二阈值。
进一步地，该基于先验信息的空间碎片轨道长期预报方法还包括：
所述空间碎片轨道长期预报模型的训练步骤包括权值阈值优化和权值阈值更新，
其中，所述权值阈值优化包括利用所述遗传GA算法对模型的初始化权值和初始化阈值进行优化以得到所述第一权值和所述第一阈值；以及
所述权值阈值更新包括基于所述第一权值、所述第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的第一均方误差来利用所述LM算法更新所述第一权值和所述第一阈值。
进一步地，该基于先验信息的空间碎片轨道长期预报方法还包括：
评估所述空间碎片轨道长期预报模型的精度和可靠性，针对相同观测目标不同参数下的模型预报结果以及相同模型不同观测目标的预报结果进行一致性分析，并对预报轨道进行平滑处理。
进一步地，该基于先验信息的空间碎片轨道长期预报方法还包括：
所述利用所述遗传GA算法对模型的初始化权值和初始化阈值进行优化以得到所述第一权值和所述第一阈值，包括：
基于所述遗传GA算法对模型的所述初始化权值和所述初始化阈值进行编码；
确定适应度函数；
依次执行选择操作、交叉操作和变异操作；
基于所述适应度函数确定适应度；
判断所述适应度是否满足终止优化条件并根据判断结果来进行解码操作，以得到所述第一权值和所述第一阈值。
进一步地，该基于先验信息的空间碎片轨道长期预报方法还包括：
确定模型的第二均方误差，所述确定模型的第二均方误差包括：
利用所述第一均方误差确定所述空间碎片轨道长期预报模型的所述第一权值和所述第一阈值的调整量；
基于上一循环确定当前历元调整后的第二权值和第二阈值；以及
基于以调整后的所述第二权值和所述第二阈值的作为参数的模型进行预测，确定模型预测值的所述第二均方误差。
进一步地，该基于先验信息的空间碎片轨道长期预报方法还包括：
所述判断所述适应度是否满足终止优化条件并根据判断结果来进行解码操作，以得到所述第一权值和所述第一阈值，包括：
若所述适应度满足所述终止优化条件，则进行解码操作，以得到所述第一权值和所述第一阈值；以及
若所述适应度不满足所述终止优化条件，则重新执行所述选择操作、所述交叉操作和所述变异操作以得到重新确定的所述适应度，直至重新确定的所述适应度满足所述终止优化条件。
进一步地，该基于先验信息的空间碎片轨道长期预报方法还包括：
判断所确定的所述第二均方误差是否满足限值，
其中，所述判断所确定的所述第二均方误差是否满足限值，包括：
若所确定的所述第二均方误差满足限值，则基于所述碎片历史轨道信息和所述空间碎片轨道长期预报模型得到所述预报轨道信息；
若所确定的所述第二均方误差不满足限值，则基于所确定的所述第二均方误差重新确定所述第二权值和所述第二阈值，并基于重新确定的所述第二权值和所述第二阈值重新确定所述第二均方误差，直到所述第二均方误差满足所述限值。
第二方面，本发明的实施例还提供一种基于先验信息的空间碎片轨道长期预报系统，包括：
碎片历史轨道信息获取模块，用于获取碎片历史轨道信息；
空间碎片轨道长期预报模块，用于将所述碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到所述空间碎片轨道长期预报模型输出的所述预报轨道信息，所述空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且所述空间碎片轨道长期预报模型的训练步骤包括：利用所述遗传GA算法对模型进行训练得到模型的第一权值和第一阈值；基于所述第一权值、所述第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用所述LM算法对模型进行训练，得到模型的第二权值和第二阈值。
第三方面，本发明的实施例还提供一种设备，包括存储器、处理器及存储在所述存储器上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程序时实现上述基于先验信息的空间碎片轨道长期预报方法的步骤。
第四方面，本发明的实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现上述基于先验信息的空间碎片轨道长期预报方法的步骤。
由上面技术方案可知，本发明实施例提供的一种基于先验信息的空间碎片轨道长期预报方法、系统、设备及存储介质，克服了现有技术中空间碎片的预报精度较低的问题，尤其实现了当空间碎片观测数据稀疏到不能精确获得轨道信息的情况下，通过基于历史轨道预报信息建立的高精度轨道长期预报模型来获得长期高精度预报轨道的技术效果。本发明从质量控制角度出发，利用神经网络等人工智能算法，建立空间碎片长期轨道预报模型，以期提高轨道预报精度及可用性。换句话说，由于空间碎片观测数据稀疏，可观测激光站有限，影响定轨精度，因此，需要构建高精度的轨道长期预报模型以提高预报精度。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于先验信息的空间碎片轨道长期预报方法的流程图；
图2是空间碎片轨道长期预报模型的神经网络模型结构示意图；
图3为本发明一实施例提供的基于先验信息的空间碎片轨道长期预报系统的结构示意图；以及
图4为本发明一实施例提供的设备的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明使用的各种术语或短语具有本领域普通技术人员公知的一般含义，即便如此，本发明仍然希望在此对这些术语或短语作更详尽的说明和解释。如果本文涉及的术语和短语有与公知含义不一致的，则以本发明所表述的含义为准；并且如果在本申请中没有定义，则其具有本领域普通技术人员通常理解的含义。
现有技术中，主要通过物理学方法和机器学习方法来进行空间碎片的轨道预报。然而，通过物理学方法轨道预测的精度在很大程度上取决于轨道确定和摄动力模型的精度。这意味着需要对空间碎片的轨道状态以及空间环境变化有充分的了解，才能得到精确的轨道预测。但实际上，这种假设过于理想，这会面临两种困难：观测数据稀疏以及非保守力计算难以精确。然而，尽管可以采用更精确的力学模型以提高轨道预报精度，但非保守力受到参数不确定性的影响，难以满足高精度轨道预报需求。针对空间碎片轨道预报的研究大多数都基于传统的解析法和数值积分法进行优化的算法，且实验数据多采用仿真数据或卫星数据，实验结果过于乐观；在轨道预报误差的质量控制方面，现有研究较少，且未能对预报轨道提出直接的质量监测手段，大多仍是对预报误差进行分析。换句话说，由于空间碎片观测数据稀疏，可观测激光站有限，影响定轨精度，因此，需要构建高精度的轨道长期预报模型以提高预报精度。
针对于此，第一方面，本发明的一实施例提出一种基于先验信息的空间碎片轨道长期预报方法。
下面结合图1描述本发明的基于先验信息的空间碎片轨道长期预报方法。
图1为本发明一实施例提供的基于先验信息的空间碎片轨道长期预报方法的流程图。
在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报方法可以包括以下步骤：
S1：获取碎片历史轨道信息；
S2：将碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到空间碎片轨道长期预报模型输出的预报轨道信息，空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且
空间碎片轨道长期预报模型的训练步骤包括：
利用遗传GA算法对空间碎片轨道长期预报模型进行训练得到空间碎片轨道长期预报模型的第一权值和第一阈值；
基于第一权值、第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用LM算法对空间碎片轨道长期预报模型进行训练，得到空间碎片轨道长期预报模型的第二权值和第二阈值。
具体地，本发明在获得空间碎片精密轨道的情况下，采用轨道积分方式实现碎片轨道预报，并且在未能精确定轨的情况下，借助人工智能神经网络模型，分析和训练空间碎片历史轨道预报数据，实现轨道的长期预报，通过分析预报轨道方向误差和距离误差，对轨道预报精度进行有效质量评估，为空间环境管理提供数据支持。在一个示例中，在训练空间碎片轨道长期预报模型后，利用训练后的模型进行空间碎片轨道长期预报。
更具体地，长期轨道预报可以包括但不限于7天及7天以上的轨道预报。
下面结合图2进一步描述本发明的空间碎片轨道长期预报模型。
图2是空间碎片轨道长期预报模型的神经网络模型结构示意图。
具体地，首先，根据空间碎片历史轨道信息确定神经网络模型结构，本发明选择三层的BP神经网络进行建模，即除了输入层和输出层以外，只包含一个隐含层。
结构如附件图2所示，其中：碎片历史轨道信息为：
X,Y,Z
预报轨道信息为：
X′,Y′,Z′
模型的权值和阈值分别为：
Wih,Who
更具体地，输入量为碎片历史轨道信息，输出量轨道预报信息。该模型包括数据的训练和测试两个阶段，数据的测试阶段就是利用训练好的模型系数进行预报。数据的训练阶段主要是利用输入层数据不断计算调整模型的权值和阈值，使模型训练误差达到规定范围内。
在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报方法还可以包括：空间碎片轨道长期预报模型的训练步骤包括权值阈值优化和权值阈值更新，其中，权值阈值优化包括利用遗传GA算法对空间碎片轨道长期预报模型的初始化权值和初始化阈值进行优化以得到第一权值和第一阈值；以及权值阈值更新包括基于第一权值、第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的第一均方误差来利用LM算法更新第一权值和第一阈值。
具体地，针对模型受初始化权值和阈值影响较大的问题，本发明采用遗传GA算法对初始化的权值和阈值进行优化，以获得最优的权值和阈值。其中，本发明采用的遗传GA算法对搜索空间适应性强，可以解决非线性的、离散的、高维的、多峰值或带噪声的数据。遗传GA算法运行中利用目标函数值信息，进行多点、多路径的搜索寻优。此外，遗传GA算法是一种全局优化方法，适合处理复杂问题，因此选择将该算法应用到神经网络模型的权值和阈值优化工作中。
具体地，再次，在GA算法优化神经网络初始化参数的基础上，再利用LM算法对神经网络局部极小化和收敛速度慢的缺点进行优化，利用训练误差计算模型权值和阈值的调整量，再在上一循环的基础上计算当前历元调整后的权值和阈值，并根据调整后的权值和阈值计算训练误差，如此循环往复，直至训练误差满足条件或限值。
在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报方法还可以包括：利用遗传GA算法对空间碎片轨道长期预报模型的初始化权值和初始化阈值进行优化以得到第一权值和第一阈值，包括：基于遗传GA算法对空间碎片轨道长期预报模型的初始化权值和初始化阈值进行编码；确定适应度函数；依次执行选择操作、交叉操作和变异操作；基于适应度函数确定适应度；判断适应度是否满足终止优化条件并根据判断结果来进行解码操作，以得到第一权值和第一阈值。
进一步地，在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报方法还可以包括：判断适应度是否满足终止优化条件并根据判断结果来进行解码操作，以得到第一权值和第一阈值，包括：若适应度满足终止优化条件，则进行解码操作，以得到第一权值和第一阈值；以及若适应度不满足终止优化条件，则重新执行选择操作、交叉操作和变异操作以得到重新确定的适应度，直至重新确定的适应度满足终止优化条件。
具体地，本发明利用GA算法优化传统的神经网络模型(即，优化神经网络的权值和阈值)可以包括但不限于：编码、确定适应度函数、选择操作、交叉操作、变异操作等。
更具体地，针对编码：神经网络模型在输入层到隐含层以及隐含层到输出层之间存在较多连接权值和阈值，因此采用实数编码较为合理，采用的是3层的神经网络模型，则编码公式如下：
其中，Sj为实数编码，j为编码长度(其中，j为自然数)，th为隐含层阈值，to为初始化输出层的阈值。
更具体地，针对确定适应度函数：为了进行后续操作，遗传GA算法在全局搜索过程中通常以适应度函数值作为遗传依据。在发明中，针对神经网络模型，遗传GA算法的个体适应度函数可以表示为：
Fj＝1/ej (2)
其中，Fj为个体适应度，ej为均方误差，即：
其中，ρj为每个个体被选择的概率。
更具体地，针对选择操作：根据每个个体的适应度在最优个体中选择一部分，进行下一代遗传。其中，第j个个体被选择的概率为：
其中，ρj为每个个体被选择的概率。
更具体地，针对交叉操作：随机的从初代个体中选择两个个体，设为a1,a2，根据公式(5)进行随机交叉操作，产生两个新个体a1”,a2”，其中b取[0，1]之间的随机数。
更具体地，针对变异操作：对新个体根据变异概率进行如公式(6)的变异操作：
更具体地，重复上述操作直到适应度是否满足终止优化条件。换句话说，重复上述操作直到达到要求的最大迭代次数或者最优个体的适应度值连续多次的变化不明显则算法终止。然后，将解算得到的适应度最高的个体进行解码操作，得到神经网络的最优初始化参数。
在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报方法还可以包括：确定空间碎片轨道长期预报模型的第二均方误差，确定空间碎片轨道长期预报模型的第二均方误差包括：利用第一均方误差确定空间碎片轨道长期预报模型的第一权值和第一阈值的调整量；基于上一循环确定当前历元调整后的第二权值和第二阈值；以及基于以调整后的第二权值和第二阈值的作为参数的模型进行预测，确定空间碎片轨道长期预报模型预测值的第二均方误差。
在一个示例中，基于第二均方误差更新更新第二权值和第二阈值，并利用将再次更新后的权值和阈值作为参数的模型，进行空间碎片轨道长期预报。当然，更新权值和阈值的次数不限。
进一步地，在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报方法还可以包括：判断所确定的第二均方误差是否满足限值，其中，判断所确定的第二均方误差是否满足限值，包括：若所确定的第二均方误差满足限值，则基于碎片历史轨道信息和空间碎片轨道长期预报模型得到预报轨道信息；若所确定的第二均方误差不满足限值，则基于所确定的第二均方误差重新确定第二权值和第二阈值，并基于重新确定的第二权值和第二阈值重新确定第二均方误差，直到第二均方误差满足限值。
具体地，本发明利用LM算法对传统的神经网络模型局部极小化和收敛速度慢的缺点进行优化可以包括但不限于以下步骤：
首先设：
则权值和阈值的调整量计算公式如下：
其中，Δx表示权值和阈值的调整量，μ为阻尼因子，通过进步因子进行自适应调整。当算法开始时，μ取0-0.1之间的随机数，进步因子取值范围为0～10。此外：
其中，ej(x)为输出的网络训练的实际输出值与期望输出值之差的均方差。此外：
其中，ej(x)同式(3)，则权值和阈值的调整公式如下：
x(t+1)＝x(t)+Δx (11)
其中，x(t)为第t次迭代后的权值和阈值，x(t+1)为调整后新的权值和阈值(即，第二权值和第二阈值)。本发明利用调整后新的权值和阈值重新计算隐含层和输出层的输出值，然后再计算均方误差，直到误差小于训练误差允许值为止。其中，本文中的训练误差的允许值即限差，取0.001。然后用训练好的权值和阈值进行空间碎片的长期预报。
进一步地，在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报方法还可以包括：评估空间碎片轨道长期预报模型的精度和可靠性，针对相同观测目标不同参数下的模型预报结果以及相同模型不同观测目标的预报结果进行一致性分析，并对预报轨道进行平滑处理。
具体地，TLE数据是空间碎片定轨中重要的轨道先验信息，并且相同观测目标具有多个TLE预报文件。此外，对多个预报轨道进行一致性检验及质量评估是实现精密定轨的重要条件。
具体地，评估预报模型精度和可靠性，针对同一观测目标不同参数下的模型预报结果以及相同模型不同观测目标的预报结果进行一致性分析，并对预报轨道进行平滑处理。换句话说，本发明基于轨道一致性检验理论和轨道机动检测算法，对同一目标的不同模型预报结果以及相同模型不同观测目标的预报结果进行一致性分析，并对预报轨道进行平滑处理。
更具体地，本发明提出的一致性分析是指不同观测目标以及不同模型参数下轨道的预报精度是相同的，代表模型比较稳定；本发明提出的平滑处理指的是预报的卫星轨道是锯齿状的，而非平滑曲线，基于此对锯齿状的曲线进行去噪声处理，以得到平滑曲线。
基于同样的发明构思，另一方面，本发明的一实施例提出一种基于先验信息的空间碎片轨道长期预报系统。
下面结合图3对本发明提供的基于先验信息的空间碎片轨道长期预报系统进行描述，下文描述的基于先验信息的空间碎片轨道长期预报系统与上文描述的基于先验信息的空间碎片轨道长期预报方法可相互对应参照。
图3为本发明一实施例提供的基于先验信息的空间碎片轨道长期预报系统的结构示意图。
在本实施例中，需要说明的是，该基于先验信息的空间碎片轨道长期预报系统1包括：碎片历史轨道信息获取模块10，用于获取碎片历史轨道信息；空间碎片轨道长期预报模块20，用于将碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到空间碎片轨道长期预报模型输出的预报轨道信息，空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且空间碎片轨道长期预报模型的训练步骤包括：利用遗传GA算法对空间碎片轨道长期预报模型进行训练得到空间碎片轨道长期预报模型的第一权值和第一阈值；基于第一权值、第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用LM算法对空间碎片轨道长期预报模型进行训练，得到空间碎片轨道长期预报模型的第二权值和第二阈值。
由于本发明实施例提供的基于先验信息的空间碎片轨道长期预报系统可以用于执行上述实施例的基于先验信息的空间碎片轨道长期预报方法，其工作原理和有益效果类似，故此处不再详述，具体内容可参见上述实施例的介绍。
在本实施例中，需要说明的是，本发明实施例的装置中的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。
又一方面，基于相同的发明构思，本发明又一实施例提供了一种设备。
图4为本发明一实施例提供的设备的示意图。
在本实施例中，需要说明的是，该设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行基于先验信息的空间碎片轨道长期预报方法，该方法包括：获取碎片历史轨道信息；将碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到空间碎片轨道长期预报模型输出的预报轨道信息，空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且空间碎片轨道长期预报模型的训练步骤包括：利用遗传GA算法对空间碎片轨道长期预报模型进行训练得到空间碎片轨道长期预报模型的第一权值和第一阈值；基于第一权值、第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用LM算法对空间碎片轨道长期预报模型进行训练，得到空间碎片轨道长期预报模型的第二权值和第二阈值。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行基于先验信息的空间碎片轨道长期预报方法，该方法包括：获取碎片历史轨道信息；将碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到空间碎片轨道长期预报模型输出的预报轨道信息，空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且空间碎片轨道长期预报模型的训练步骤包括：利用遗传GA算法对空间碎片轨道长期预报模型进行训练得到空间碎片轨道长期预报模型的第一权值和第一阈值；基于第一权值、第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用LM算法对空间碎片轨道长期预报模型进行训练，得到空间碎片轨道长期预报模型的第二权值和第二阈值。
此外，在本发明中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
此外，在本发明中，参考术语“实施例”、“本实施例”、“又一实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种基于先验信息的空间碎片轨道长期预报方法，其特征在于，包括：
获取碎片历史轨道信息；
将所述碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到所述空间碎片轨道长期预报模型输出的预报轨道信息，所述空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且
所述空间碎片轨道长期预报模型的训练步骤包括：
利用所述遗传GA算法对所述空间碎片轨道长期预报模型进行训练得到所述空间碎片轨道长期预报模型的第一权值和第一阈值；
基于所述第一权值、所述第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用所述LM算法对所述空间碎片轨道长期预报模型进行训练，得到所述空间碎片轨道长期预报模型的第二权值和第二阈值，
所述空间碎片轨道长期预报模型的训练步骤包括权值阈值优化和权值阈值更新，
其中，所述权值阈值优化包括利用所述遗传GA算法对所述空间碎片轨道长期预报模型的初始化权值和初始化阈值进行优化以得到所述第一权值和所述第一阈值；以及
所述权值阈值更新包括基于所述第一权值、所述第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的第一均方误差来利用所述LM算法更新所述第一权值和所述第一阈值。
2.根据权利要求1所述的基于先验信息的空间碎片轨道长期预报方法，其特征在于，所述方法还包括：
评估所述空间碎片轨道长期预报模型的精度和可靠性，针对相同观测目标不同参数下的模型预报结果以及相同模型不同观测目标的预报结果进行一致性分析，并对预报轨道进行平滑处理。
3.根据权利要求1所述的基于先验信息的空间碎片轨道长期预报方法，其特征在于，所述利用所述遗传GA算法对所述空间碎片轨道长期预报模型的初始化权值和初始化阈值进行优化以得到所述第一权值和所述第一阈值，包括：
基于所述遗传GA算法对所述空间碎片轨道长期预报模型的所述初始化权值和所述初始化阈值进行编码；
确定适应度函数；
依次执行选择操作、交叉操作和变异操作；
基于所述适应度函数确定适应度；
判断所述适应度是否满足终止优化条件并根据判断结果来进行解码操作，以得到所述第一权值和所述第一阈值。
4.根据权利要求1所述的基于先验信息的空间碎片轨道长期预报方法，其特征在于，所述方法还包括：确定所述空间碎片轨道长期预报模型的第二均方误差，所述确定所述空间碎片轨道长期预报模型的第二均方误差包括：
利用所述第一均方误差确定所述空间碎片轨道长期预报模型的所述第一权值和所述第一阈值的调整量；
基于上一循环确定当前历元调整后的第二权值和第二阈值；以及
基于以调整后的所述第二权值和所述第二阈值的作为参数的模型进行预测，确定所述空间碎片轨道长期预报模型预测值的所述第二均方误差。
5.根据权利要求3所述的基于先验信息的空间碎片轨道长期预报方法，其特征在于，所述判断所述适应度是否满足终止优化条件并根据判断结果来进行解码操作，以得到所述第一权值和所述第一阈值，包括：
若所述适应度满足所述终止优化条件，则进行解码操作，以得到所述第一权值和所述第一阈值；以及
若所述适应度不满足所述终止优化条件，则重新执行所述选择操作、所述交叉操作和所述变异操作以得到重新确定的所述适应度，直至重新确定的所述适应度满足所述终止优化条件。
6.根据权利要求4所述的基于先验信息的空间碎片轨道长期预报方法，其特征在于，所述方法还包括：判断所确定的所述第二均方误差是否满足限值，
其中，所述判断所确定的所述第二均方误差是否满足限值，包括：
若所确定的所述第二均方误差满足限值，则基于所述碎片历史轨道信息和所述空间碎片轨道长期预报模型得到所述预报轨道信息；
若所确定的所述第二均方误差不满足限值，则基于所确定的所述第二均方误差重新确定所述第二权值和所述第二阈值，并基于重新确定的所述第二权值和所述第二阈值重新确定所述第二均方误差，直到所述第二均方误差满足所述限值。
7.一种基于先验信息的空间碎片轨道长期预报系统，其特征在于，包括：
碎片历史轨道信息获取模块，用于获取碎片历史轨道信息；
空间碎片轨道长期预报模块，用于将所述碎片历史轨道信息输入至空间碎片轨道长期预报模型中，得到所述空间碎片轨道长期预报模型输出的预报轨道信息，所述空间碎片轨道长期预报模型是基于遗传GA算法和LM算法训练得到的，并且所述空间碎片轨道长期预报模型的训练步骤包括：利用所述遗传GA算法对所述空间碎片轨道长期预报模型进行训练得到所述空间碎片轨道长期预报模型的第一权值和第一阈值；基于所述第一权值、所述第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的均方误差，利用所述LM算法对所述空间碎片轨道长期预报模型进行训练，得到所述空间碎片轨道长期预报模型的第二权值和第二阈值，所述空间碎片轨道长期预报模型的训练步骤包括权值阈值优化和权值阈值更新，其中，所述权值阈值优化包括利用所述遗传GA算法对所述空间碎片轨道长期预报模型的初始化权值和初始化阈值进行优化以得到所述第一权值和所述第一阈值；以及所述权值阈值更新包括基于所述第一权值、所述第一阈值以及基于利用GA算法训练后得到的空间碎片轨道长期预报模型的预测值的第一均方误差来利用所述LM算法更新所述第一权值和所述第一阈值。
8.一种设备，包括存储器、处理器及存储在所述存储器上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程序时实现如权利要求1-6任一项所述的基于先验信息的空间碎片轨道长期预报方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的基于先验信息的空间碎片轨道长期预报方法的步骤。
CN202110860020.6A 2021-07-28 2021-07-28 基于先验信息的空间碎片轨道长期预报方法、系统及设备 Active CN113642785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110860020.6A CN113642785B (zh) 2021-07-28 2021-07-28 基于先验信息的空间碎片轨道长期预报方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110860020.6A CN113642785B (zh) 2021-07-28 2021-07-28 基于先验信息的空间碎片轨道长期预报方法、系统及设备

Publications (2)

Publication Number Publication Date
CN113642785A CN113642785A (zh) 2021-11-12
CN113642785B true CN113642785B (zh) 2023-10-20

Family

ID=78418822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110860020.6A Active CN113642785B (zh) 2021-07-28 2021-07-28 基于先验信息的空间碎片轨道长期预报方法、系统及设备

Country Status (1)

Country Link
CN (1) CN113642785B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117744502A (zh) * 2024-02-07 2024-03-22 中国人民解放军战略支援部队航天工程大学 一种基于兵棋的轨道碎片演化方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980048A (zh) * 2010-09-29 2011-02-23 中国科学院国家天文台 基于天线组阵技术的空间碎片地基雷达系统
CN107066641A (zh) * 2016-11-23 2017-08-18 清华大学 大规模空间碎片分布演化的数值计算方法及系统
CN107273659A (zh) * 2017-05-17 2017-10-20 中国科学院光电技术研究所 一种基于ransac算法改进的用于空间碎片光电跟踪的轨迹预测方法
CN107451319A (zh) * 2017-05-05 2017-12-08 中国科学院国家天文台 一种空间碎片环境长期演化模型的建模方法
CN110489879A (zh) * 2019-08-22 2019-11-22 中国人民解放军32035部队 一种适用于空间环境扰动情况下的空间目标陨落预报方法
CN110991712A (zh) * 2019-11-21 2020-04-10 西北工业大学 一种空间碎片清除任务的规划方法及装置
CN111457916A (zh) * 2020-03-30 2020-07-28 中国人民解放军国防科技大学 基于拓展标记随机有限集的空间碎片目标跟踪方法和装置
CN111861859A (zh) * 2020-07-16 2020-10-30 昆宇蓝程（北京）科技有限责任公司 一种空间碎片碰撞预警方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101980048A (zh) * 2010-09-29 2011-02-23 中国科学院国家天文台 基于天线组阵技术的空间碎片地基雷达系统
CN107066641A (zh) * 2016-11-23 2017-08-18 清华大学 大规模空间碎片分布演化的数值计算方法及系统
CN107451319A (zh) * 2017-05-05 2017-12-08 中国科学院国家天文台 一种空间碎片环境长期演化模型的建模方法
CN107273659A (zh) * 2017-05-17 2017-10-20 中国科学院光电技术研究所 一种基于ransac算法改进的用于空间碎片光电跟踪的轨迹预测方法
CN110489879A (zh) * 2019-08-22 2019-11-22 中国人民解放军32035部队 一种适用于空间环境扰动情况下的空间目标陨落预报方法
CN110991712A (zh) * 2019-11-21 2020-04-10 西北工业大学 一种空间碎片清除任务的规划方法及装置
CN111457916A (zh) * 2020-03-30 2020-07-28 中国人民解放军国防科技大学 基于拓展标记随机有限集的空间碎片目标跟踪方法和装置
CN111861859A (zh) * 2020-07-16 2020-10-30 昆宇蓝程（北京）科技有限责任公司 一种空间碎片碰撞预警方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
空间碎片半解析法轨道预报精度性能分析;李彬等;《红外与激光工程》;第第44卷卷(第第11期期);全文 *

Also Published As

Publication number Publication date
CN113642785A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN109858647B (zh) 一种耦合gis和gbdt算法的区域洪涝灾害风险评价与预估方法
CN103942457B (zh) 基于关联向量机回归的水质参数时间序列预测方法
CN104091216A (zh) 基于果蝇优化最小二乘支持向量机的交通信息预测方法
CN107153874A (zh) 水质预测方法及系统
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN111680870B (zh) 目标运动轨迹质量综合评估方法
CN105260786A (zh) 一种电力推进系统仿真可信度评估模型综合优化方法
CN109145434A (zh) 一种利用改进bp神经网络预测广播星历轨道误差的方法
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
CN113486591B (zh) 一种卷积神经网络结果的重力多参量数据密度加权反演方法
Abudu et al. Modeling of daily pan evaporation using partial least squares regression
CN113221263A (zh) 一种考虑分布参数不确定性的机械产品结构失效优化方法
CN112307536B (zh) 一种大坝渗流参数反演方法
CN109711435A (zh) 一种基于遗传算法的支持向量机在线电压稳定性监测方法
CN113642785B (zh) 基于先验信息的空间碎片轨道长期预报方法、系统及设备
Mazandaranizadeh et al. Development of a PSO-ANN model for rainfall-runoff response in basins, Case Study: Karaj Basin
CN114970341B (zh) 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
Zeng et al. Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method
CN111914488B (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
Shemyakin et al. Online identification of large-scale chaotic system
CN117370766A (zh) 一种基于深度学习的卫星任务规划方案评估方法
CN108764523A (zh) 基于无偏非齐次灰色模型和马氏模型的交通事故预测方法
CN112949944A (zh) 一种基于时空特征的地下水位智能预测方法及系统
CN110852415B (zh) 基于神经网络算法的植被指数预测方法、系统及设备
CN117371303A (zh) 一种海浪下有效波高的预测方法

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