CN114399652A - 基于雷达图智能匹配的多指标体系geo卫星轨位选取方法 - Google Patents
基于雷达图智能匹配的多指标体系geo卫星轨位选取方法 Download PDFInfo
- Publication number
- CN114399652A CN114399652A CN202111564739.1A CN202111564739A CN114399652A CN 114399652 A CN114399652 A CN 114399652A CN 202111564739 A CN202111564739 A CN 202111564739A CN 114399652 A CN114399652 A CN 114399652A
- Authority
- CN
- China
- Prior art keywords
- geo
- orbit
- rail position
- longitude
- rail
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/14—Relay systems
- H04B7/15—Active relay systems
- H04B7/185—Space-based or airborne stations; Stations for satellite systems
- H04B7/1851—Systems using a satellite or space-based relay
- H04B7/18519—Operations control, administration or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Astronomy & Astrophysics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,包括以下步骤:确定GEO卫星需覆盖的地面任务区域;计算进行GEO轨位选取的可视弧段;根据国际电联提供的卫星网络资料剔除可视弧段中不能使用的轨位;从轨位战略价值、轨位使用需求、轨位使用风险、协调边界四方面考虑GEO轨位选取决策指标,构建GEO轨位选取多层次多指标模型;根据各指标生成GEO轨位选取雷达图,使用基于深度学习的特征匹配算法找到适配于选取需求的匹配轨位。本发明构建了GEO轨位选取多层次多指标模型,将各备选轨位转化为雷达图进行图像匹配,能够根据GEO轨位选取的不同需求智能匹配相应的选取轨位,克服了传统轨位选取依赖于专家评估的局限性。
Description
技术领域
本发明涉及卫星通信技术领域,尤其涉及一种基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法。
背景技术
卫星通信频率轨道资源是发展卫星产业不可或缺的基础资源,同时也是有限的、不可再生的战略资源,各国竞争异常激烈。经过卫星通信行业的迅猛发展,GEO卫星轨道已经非常拥挤,寻找到一种能够根据卫星通信系统建设需求精确选取GEO轨位的方法愈发困难;同时,卫星通信频率轨道资源的使用必须向国际电联进行申报,需要经过国际申报和协调程序,为了能够更加高效地完成频轨申请流程,在申请之前必须提出具有竞争力的频轨方案。以往的频轨选取采用串行流程,每一步骤都涉及大量的人工计算工作以及专家经验判断,具有定性化的特点,工作效率较低。为此,需要对现有的GEO选轨流程进行优化,并针对不同的卫星通信系统建设需求建立统一的多指标、全方位GEO卫星轨位选取方法,同时这种方法需要克服对专家评估的依赖。
发明内容
本发明针对GEO卫星轨位选取流程复杂、选取依据不统一、选取需求复杂多变等问题,公开了一种基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,构建了GEO轨位选取多层次多指标模型,将各备选轨位转化为雷达图进行图像匹配,能够根据GEO轨位选取的不同需求智能匹配相应的选取轨位,克服了传统轨位选取依赖于专家评估的局限性。
本发明公开了一种基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,其步骤包括:
S1,确定GEO卫星需覆盖的地面任务区域;
根据地面对GEO卫星通信的需求,确定需要GEO卫星通信波束能够完全覆盖的地面区域,称为GEO卫星需覆盖的地面任务区域,简称为地面任务区域,记作S;
设定地面任务区域S在大地坐标系中最西侧点的经度为long0、纬度为lat0,最东侧点的经度为long1、纬度为lat1。
S2,根据地面任务区域,计算进行GEO轨位选取的经度范围;
设定GEO地球站的天线指向GEO卫星且可与GEO卫星进行通信的最小仰角为α;
根据地面任务区域S的最西侧点、最东侧点经纬度以及GEO地球站天线的最小仰角α,求得GEO卫星能完全覆盖地面任务区域时,GEO轨道上的最西端和最东端的经度;
GEO地球站经纬度、GEO地球站天线最小仰角和GEO卫星经度之间的计算关系为:
其中Δlong表示GEO卫星经度与地球站经度差,lat表示地球站纬度,r表示地球半径,R表示GEO卫星高度;
将地面任务区域S的最西侧点纬度lat0带入上述计算关系,得到确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最东端经度与位于地面任务区域S的最西侧点经度差为Δlong0;
如地面任务区域S的最西侧点在西半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道的最东端经度long_from的计算公式为:
long_from=long0-Δlong0;
如地面任务区域S的最西侧点在东半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道的最东端经度long_from的计算公式为:
long_from=long0+Δlong0;
将地面任务区域S的最东侧点纬度lat1带入上述计算公式,得到确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端与地面任务区域S的最东侧点的经度差为Δlong1;
如地面任务区域S的最东侧点在东半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端经度long_to的计算公式为:
long_to=long1-Δlong1;
如地面任务区域S的最东侧点在西半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端经度long_to的计算公式为:
long_to=long1+Δlong1;
根据上述经度,得到进行GEO轨位选取的经度范围为(long_from,long_to),该经度范围即为GEO轨位选取的区间。
S3,根据国际电联提供的卫星网络频率轨道申报资料,剔除GEO轨位选取的经度范围中不能使用的轨位,得到GEO轨位选取候选弧段;
根据ITU(International TelecommunicationUnion,国际电信联盟)提供的卫星网络频率轨道申报资料,查询GEO轨位选取的经度范围(long_from,long_to)中不可使用的轨位orbit,再根据预申报轨位时所使用的通信频段,设定轨位风险间隔risk_int,则在GEO轨位选取的可视弧段上应该剔除的小弧段为(orbit-risk_int,orbit+risk_int);
S4,从轨位战略价值、轨位使用需求、轨位使用风险、最大轨道间隔四方面确定GEO轨位选取决策指标,构建GEO轨位选取多层次多指标模型;
确定GEO轨位选取的四个一级决策指标为轨位战略价值A1、轨位使用需求A2、轨位使用风险A3、最大轨道间隔A4;
定义一级决策指标轨位战略价值A1下包括三个二级指标:频段拓展潜能p1、覆盖区拓展潜能p2、通信能力拓展潜能p3;
定义一级决策指标轨位使用需求A2下包括两个二级指标:目标覆盖区覆盖率p4、目标工作频段满足率p5;
定义一级决策指标轨位使用风险A3下包括三个二级指标:邻近干扰卫星数量p6、相同轨位卫星数量p7、相同轨位申报资料优先级p8;
定义一级决策指标最大轨道间隔A4下包括三个二级指标:地面覆盖区交叠边界情况p9、工作频段干扰边界情况p10、轨位边界情况p11;
S5,根据各个GEO轨位选取决策指标,生成GEO轨位选取雷达图,使用基于深度学习的特征匹配算法,找到适配于选取需求的匹配轨位;
S51,根据地面任务区域的通信需求得到11项二级指标p1,…,p11的取值,以11项二级指标p1,…,p11分别作为构建雷达图的轴,对于四个定量指标p4、p5、p6、p7,以各指标的最大取值为单位分别对各指标进行归一化,对于七个定性指标p1、p2、p3、p8、p9、p10、p11,分别进行五个等级A、B、C、D、E的评定,将评定结果分别作为七个定性指标的取值,五个评定等级A、B、C、D、E分别对应轴上0.2、0.4、0.6、0.8、1个坐标长度;利用上述11项二级指标p1,…,p11,构建GEO轨位选取理想雷达图G0;
S52,从步骤S3得到的GEO轨位选取候选弧段中,对其经度以0.1为步进值,依次选取候选轨位,记候选轨位数量为m,将每一个候选轨位,根据其对应的11个二级指标,构建GEO轨位选取候选雷达图,得到m个不同的GEO轨位选取候选雷达图G1、G2、…、Gm;
S53,对GEO轨位选取理想雷达图G0、GEO轨位选取候选雷达图G1、G2、…、Gm,采用SIFT特征提取方法,进行雷达图局部特征提取,从每个雷达图中提取k个特征点;
S54,构建用于图像匹配的卷积神经网络,卷积神经网络采用VGG-16模型,并使用训练集、验证集对该卷积神经网络进行训练,其中训练集、验证集由已实际使用的GEO轨位的11项二级指标所构建的雷达图与此轨位选取需求对应的11项二级指标所构建的雷达图构成的若干个雷达图匹配组构成,训练时采用交叉熵的形式作为代价函数,代价函数的表达式为:
其中x表示输入样本,n表示样本数量,y表示样本对应的理想值,hθ(x)表示该卷积神经网络的输出层的实际输出,θ表示该卷积神经网络的参数;
S55,将步骤S53中得到的GEO轨位选取理想雷达图特征点与m个GEO轨位选取候选雷达图的特征点输入到步骤S54训练好的卷积神经网络中,输出每个特征点的图像特征描述符,图像特征描述符是一种对图像局部结构特征进行定量化数据描述的d维向量,GEO轨位选取理想雷达图的第i个特征描述符表示为Xi=(xi1,xi2,…,xid),其中i=1,2,…,k,第j个GEO轨位选取候选雷达图的第i个特征描述符表示为Yi j=(yi1 j,yi2 j,…,yid j),其中j=1,2,…,m;
S56,分别计算GEO轨位选取理想雷达图的所有特征描述符与每一个GEO轨位选取候选雷达图的所有特征描述符的夹角余弦距离,对于GEO轨位选取理想雷达图的所有特征描述符与每j个GEO轨位选取候选雷达图的所有特征描述符的夹角余弦距离Dj,其计算公式为:
其中,xba表示GEO轨位选取理想雷达图的第b个特征描述符的第a个变量,yba j表示第j个GEO轨位选取候选雷达图的第b个特征描述符的第a个变量;选择夹角余弦距离最小值所对应的GEO候选轨位,作为本次GEO轨位选取的最佳轨位。
本发明具有以下优点:
(1)本发明能够根据GEO轨位选取的不同需求智能匹配相应的选取轨位;
(2)本发明针对不同的卫星通信系统建设需求建立了统一的GEO轨位选取多层次多指标模型,能够全方位地对GEO轨位选取提供面向实际需求的决策指标;
(3)本发明提出的使用基于深度学习特征匹配算法进行雷达图匹配的GEO轨位选取方法,不需要专家进行权重评估,能够克服传统GEO轨位选取方法对专家评估的依赖;同时运用人工智能能够快速准确地选取满足需求的GEO轨位,大大提高GEO轨位选取的效率。
附图说明
图1为本发明中一种基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法实现流程图。
具体实施方式
为了更好的了解本发明内容,这里给出一个实施例。
下面结合附图,对本发明进行详细描述。
如图1所示,本发明描述了一种基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,其步骤包括:
S1,确定GEO卫星需覆盖的地面任务区域;
根据地面对GEO卫星通信的需求,确定需要GEO卫星通信波束能够完全覆盖的地面区域,称为GEO卫星需覆盖的地面任务区域,简称为地面任务区域,记作S;
设定地面任务区域S在大地坐标系中最西侧点的经度为long0、纬度为lat0,最东侧点的经度为long1、纬度为lat1。
S2,根据地面任务区域,计算进行GEO轨位选取的经度范围;
设定GEO地球站的天线指向GEO卫星且可与GEO卫星进行通信的最小仰角为α;
根据地面任务区域S的最西侧点、最东侧点经纬度以及GEO地球站天线的最小仰角α,求得GEO卫星能完全覆盖地面任务区域时,GEO轨道上的最西端和最东端的经度;
GEO地球站经纬度、GEO地球站天线最小仰角和GEO卫星经度之间的计算关系为:
其中Δlong表示GEO卫星经度与地球站经度差,lat表示地球站纬度,r表示地球半径,R表示GEO卫星高度;
将地面任务区域S的最西侧点纬度lat0带入上述计算关系,得到确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最东端经度与位于地面任务区域S的最西侧点经度差为Δlong0;
如地面任务区域S的最西侧点在西半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道的最东端经度long_from的计算公式为:
long_from=long0-Δlong0;
如地面任务区域S的最西侧点在东半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道的最东端经度long_from的计算公式为:
long_from=long0+Δlong0;
将地面任务区域S的最东侧点纬度lat1带入上述计算公式,得到确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端与地面任务区域S的最东侧点的经度差为Δlong1;
如地面任务区域S的最东侧点在东半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端经度long_to的计算公式为:
long_to=long1-Δlong1;
如地面任务区域S的最东侧点在西半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端经度long_to的计算公式为:
long_to=long1+Δlong1;
根据上述经度,得到进行GEO轨位选取的经度范围为(long_from,long_to);
S3,根据国际电联提供的卫星网络频率轨道申报资料,剔除GEO轨位选取的经度范围中不能使用的轨位,得到GEO轨位选取候选弧段;
根据ITU(International TelecommunicationUnion,国际电信联盟)提供的卫星网络频率轨道申报资料,查询GEO轨位选取的经度范围(long_from,long_to)中不可使用的轨位orbit,再根据预申报轨位时所使用的通信频段,设定轨位风险间隔risk_int,则在GEO轨位选取的可视弧段上应该剔除的小弧段为(orbit-risk_int,orbit+risk_int);
查询ITU(International Telecommunication Union,国际电信联盟)提供的卫星网络频率轨道申报资料中不可使用的轨位包括两大类:一是ITU的N资料中已经登记且与预申报轨位使用频段相同的轨位,N资料是指卫星使用主管部分向ITU提供的卫星网络简要实际使用的通知登记信息;二是已经激活N资料但未登记到ITU总表且与预申报轨位使用频段相同的轨位;
轨位风险间隔risk_int是为了确保不同GEO卫星轨位之间避免产生有害干扰而设置的保护弧段,使用不同工作频段的GEO卫星在轨道上的轨位风险间隔不同;
S4,从轨位战略价值、轨位使用需求、轨位使用风险、最大轨道间隔四方面确定GEO轨位选取决策指标,构建GEO轨位选取多层次多指标模型;
确定GEO轨位选取的四个一级决策指标为轨位战略价值A1、轨位使用需求A2、轨位使用风险A3、最大轨道间隔A4;
定义一级决策指标轨位战略价值A1下包括三个二级指标:频段拓展潜能p1、覆盖区拓展潜能p2、通信能力拓展潜能p3;
定义一级决策指标轨位使用需求A2下包括两个二级指标:目标覆盖区覆盖率p4、目标工作频段满足率p5;
定义一级决策指标轨位使用风险A3下包括三个二级指标:邻近干扰卫星数量p6、相同轨位卫星数量p7、相同轨位申报资料优先级p8;
定义一级决策指标最大轨道间隔A4下包括三个二级指标:地面覆盖区交叠边界情况p9、工作频段干扰边界情况p10、轨位边界情况p11;
S5,根据各个GEO轨位选取决策指标,生成GEO轨位选取雷达图,使用基于深度学习的特征匹配算法,找到适配于选取需求的匹配轨位;
S51,根据地面任务区域的通信需求得到11项二级指标p1,…,p11的取值,以11项二级指标p1,…,p11分别作为构建雷达图的轴,对于四个定量指标p4、p5、p6、p7,以各指标的最大取值为单位分别对各指标进行归一化,对于七个定性指标p1、p2、p3、p8、p9、p10、p11,分别进行五个等级A、B、C、D、E的评定,将评定结果分别作为七个定性指标的取值,五个评定等级A、B、C、D、E分别对应轴上0.2、0.4、0.6、0.8、1个坐标长度;利用上述11项二级指标p1,…,p11,构建GEO轨位选取理想雷达图G0;
S52,从步骤S3得到的GEO轨位选取候选弧段中,对其经度以0.1为步进值,依次选取候选轨位,记候选轨位数量为m,将每一个候选轨位,根据其对应的11个二级指标,构建GEO轨位选取候选雷达图,得到m个不同的GEO轨位选取候选雷达图G1、G2、…、Gm;
S53,对GEO轨位选取理想雷达图G0、GEO轨位选取候选雷达图G1、G2、…、Gm,采用SIFT特征提取方法,进行雷达图局部特征提取,从每个雷达图中提取k个特征点;
S54,构建用于图像匹配的卷积神经网络,卷积神经网络采用VGG-16模型,并使用训练集、验证集对该卷积神经网络进行训练,其中训练集、验证集由已实际使用的GEO轨位的11项二级指标所构建的雷达图与此轨位选取需求对应的11项二级指标所构建的雷达图构成的若干个雷达图匹配组构成,训练时采用交叉熵的形式作为代价函数,代价函数的表达式为:
其中x表示输入样本,n表示样本数量,y表示样本对应的理想值,hθ(x)表示该卷积神经网络的输出层的实际输出,θ表示该卷积神经网络的参数;
S55,将步骤S53中得到的GEO轨位选取理想雷达图特征点与m个GEO轨位选取候选雷达图的特征点输入到步骤S54训练好的卷积神经网络中,输出每个特征点的图像特征描述符,图像特征描述符是一种对图像局部结构特征进行定量化数据描述的d维向量,GEO轨位选取理想雷达图的第i个特征描述符表示为Xi=(xi1,xi2,…,xid),其中i=1,2,…,k,第j个GEO轨位选取候选雷达图的第i个特征描述符表示为Yi j=(yi1 j,yi2 j,…,yid j),其中j=1,2,…,m;
S56,分别计算GEO轨位选取理想雷达图的所有特征描述符与每一个GEO轨位选取候选雷达图的所有特征描述符的夹角余弦距离,对于GEO轨位选取理想雷达图的所有特征描述符与每j个GEO轨位选取候选雷达图的所有特征描述符的夹角余弦距离Dj,其计算公式为:
其中,xba表示GEO轨位选取理想雷达图的第b个特征描述符的第a个变量,yba j表示第j个GEO轨位选取候选雷达图的第b个特征描述符的第a个变量;选择夹角余弦距离最小值所对应的GEO候选轨位,作为本次GEO轨位选取的最佳轨位。
以上所述仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (5)
1.一种基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,其特征在于,其步骤包括:
S1,确定GEO卫星需覆盖的地面任务区域;根据地面对GEO卫星通信的需求,确定需要GEO卫星通信波束能够完全覆盖的地面区域,称为GEO卫星需覆盖的地面任务区域,简称为地面任务区域,记作S;设定地面任务区域S在大地坐标系中最西侧点的经度为long0、纬度为lat0,最东侧点的经度为long1、纬度为lat1;
S2,根据地面任务区域,计算进行GEO轨位选取的经度范围;
S3,根据国际电联提供的卫星网络频率轨道申报资料,剔除GEO轨位选取的经度范围中不能使用的轨位,得到GEO轨位选取候选弧段;
S4,从轨位战略价值、轨位使用需求、轨位使用风险、最大轨道间隔四方面确定GEO轨位选取决策指标,构建GEO轨位选取多层次多指标模型;
S5,根据各个GEO轨位选取决策指标,生成GEO轨位选取雷达图,使用基于深度学习的特征匹配算法,找到适配于选取需求的匹配轨位。
2.如权利要求1所述的基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,其特征在于,所述的步骤S2,其具体包括:
设定GEO地球站的天线指向GEO卫星且可与GEO卫星进行通信的最小仰角为α;
根据地面任务区域S的最西侧点、最东侧点经纬度以及GEO地球站天线的最小仰角α,求得GEO卫星能完全覆盖地面任务区域时,GEO轨道上的最西端和最东端的经度;
GEO地球站经纬度、GEO地球站天线最小仰角和GEO卫星经度之间的计算关系为:
其中Δlong表示GEO卫星经度与地球站经度差,lat表示地球站纬度,r表示地球半径,R表示GEO卫星高度;
将地面任务区域S的最西侧点纬度lat0带入上述计算关系,得到确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最东端经度与位于地面任务区域S的最西侧点经度差为Δlong0;
如地面任务区域S的最西侧点在西半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道的最东端经度long_from的计算公式为:
long_from=long0-Δlong0;
如地面任务区域S的最西侧点在东半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道的最东端经度long_from的计算公式为:
long_from=long0+Δlong0;
将地面任务区域S的最东侧点纬度lat1带入上述计算公式,得到确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端与地面任务区域S的最东侧点的经度差为Δlong1;
如地面任务区域S的最东侧点在东半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端经度long_to的计算公式为:
long_to=long1-Δlong1;
如地面任务区域S的最东侧点在西半球,则确保GEO卫星能完全覆盖地面任务区域的GEO轨道上的最西端经度long_to的计算公式为:
long_to=long1+Δlong1;
根据上述经度,得到进行GEO轨位选取的经度范围为(long_from,long_to),该经度范围即为GEO轨位选取的区间。
3.如权利要求1所述的基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,其特征在于,所述的步骤S3,根据ITU提供的卫星网络频率轨道申报资料,查询GEO轨位选取的经度范围(long_from,long_to)中不可使用的轨位orbit,再根据预申报轨位时所使用的通信频段,设定轨位风险间隔risk_int,则在GEO轨位选取的可视弧段上应该剔除的小弧段为(orbit-risk_int,orbit+risk_int)。
4.如权利要求1所述的基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,其特征在于,
所述的步骤S4,确定GEO轨位选取的四个一级决策指标为轨位战略价值A1、轨位使用需求A2、轨位使用风险A3、最大轨道间隔A4;
定义一级决策指标轨位战略价值A1下包括三个二级指标:频段拓展潜能p1、覆盖区拓展潜能p2、通信能力拓展潜能p3;
定义一级决策指标轨位使用需求A2下包括两个二级指标:目标覆盖区覆盖率p4、目标工作频段满足率p5;
定义一级决策指标轨位使用风险A3下包括三个二级指标:邻近干扰卫星数量p6、相同轨位卫星数量p7、相同轨位申报资料优先级p8;
定义一级决策指标最大轨道间隔A4下包括三个二级指标:地面覆盖区交叠边界情况p9、工作频段干扰边界情况p10、轨位边界情况p11。
5.如权利要求4所述的基于雷达图智能匹配的多指标体系GEO卫星轨位选取方法,其特征在于,
所述的步骤S5,其具体包括:
S51,根据地面任务区域的通信需求得到11项二级指标p1,…,p11的取值,以11项二级指标p1,…,p11分别作为构建雷达图的轴,对于四个定量指标p4、p5、p6、p7,以各指标的最大取值为单位分别对各指标进行归一化,对于七个定性指标p1、p2、p3、p8、p9、p10、p11,分别进行五个等级A、B、C、D、E的评定,将评定结果分别作为七个定性指标的取值,五个评定等级A、B、C、D、E分别对应轴上0.2、0.4、0.6、0.8、1个坐标长度;利用上述11项二级指标p1,…,p11,构建GEO轨位选取理想雷达图G0;
S52,从步骤S3得到的GEO轨位选取候选弧段中,对其经度以0.1为步进值,依次选取候选轨位,记候选轨位数量为m,将每一个候选轨位,根据其对应的11个二级指标,构建GEO轨位选取候选雷达图,得到m个不同的GEO轨位选取候选雷达图G1、G2、…、Gm;
S53,对GEO轨位选取理想雷达图G0、GEO轨位选取候选雷达图G1、G2、…、Gm,采用SIFT特征提取方法,进行雷达图局部特征提取,从每个雷达图中提取k个特征点;
S54,构建用于图像匹配的卷积神经网络,卷积神经网络采用VGG-16模型,并使用训练集、验证集对该卷积神经网络进行训练,其中训练集、验证集由已实际使用的GEO轨位的11项二级指标所构建的雷达图与此轨位选取需求对应的11项二级指标所构建的雷达图构成的若干个雷达图匹配组构成,训练时采用交叉熵的形式作为代价函数,代价函数的表达式为:
其中x表示输入样本,n表示样本数量,y表示样本对应的理想值,hθ(x)表示该卷积神经网络的输出层的实际输出,θ表示该卷积神经网络的参数;
S55,将步骤S53中得到的GEO轨位选取理想雷达图特征点与m个GEO轨位选取候选雷达图的特征点输入到步骤S54训练好的卷积神经网络中,输出每个特征点的图像特征描述符,图像特征描述符是一种对图像局部结构特征进行定量化数据描述的d维向量,GEO轨位选取理想雷达图的第i个特征描述符表示为Xi=(xi1,xi2,…,xid),其中i=1,2,…,k,第j个GEO轨位选取候选雷达图的第i个特征描述符表示为Yi j=(yi1 j,yi2 j,…,yid j),其中j=1,2,…,m;
S56,分别计算GEO轨位选取理想雷达图的所有特征描述符与每一个GEO轨位选取候选雷达图的所有特征描述符的夹角余弦距离,对于GEO轨位选取理想雷达图的所有特征描述符与每j个GEO轨位选取候选雷达图的所有特征描述符的夹角余弦距离Dj,其计算公式为:
其中,xba表示GEO轨位选取理想雷达图的第b个特征描述符的第a个变量,yba j表示第j个GEO轨位选取候选雷达图的第b个特征描述符的第a个变量;选择夹角余弦距离最小值所对应的GEO候选轨位,作为本次GEO轨位选取的最佳轨位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111564739.1A CN114399652B (zh) | 2021-12-20 | 2021-12-20 | 基于雷达图智能匹配的多指标体系geo卫星轨位选取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111564739.1A CN114399652B (zh) | 2021-12-20 | 2021-12-20 | 基于雷达图智能匹配的多指标体系geo卫星轨位选取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114399652A true CN114399652A (zh) | 2022-04-26 |
CN114399652B CN114399652B (zh) | 2022-09-02 |
Family
ID=81227331
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111564739.1A Active CN114399652B (zh) | 2021-12-20 | 2021-12-20 | 基于雷达图智能匹配的多指标体系geo卫星轨位选取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114399652B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114826383A (zh) * | 2022-04-28 | 2022-07-29 | 军事科学院系统工程研究院网络信息研究所 | 基于数据映射的卫星通信频轨资源全任务周期管控方法 |
CN116545516A (zh) * | 2023-07-03 | 2023-08-04 | 北京有生志广科技有限公司 | 一种在轨卫星与卫星网络资料的匹配分析方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523032A (zh) * | 2011-12-08 | 2012-06-27 | 中国空间技术研究院 | 一种地球静止轨道卫星轨位确定方法 |
CN109767128A (zh) * | 2019-01-15 | 2019-05-17 | 中国人民解放军国防科技大学 | 基于机器学习的成像卫星自主任务规划方法 |
CN109991635A (zh) * | 2019-03-29 | 2019-07-09 | 中国空间技术研究院 | 一种igso卫星对地面动目标的跟踪弧段计算方法 |
CN110717646A (zh) * | 2019-09-03 | 2020-01-21 | 福建省农村信用社联合社 | 一种银行需求后评价的实现方法及系统 |
AU2020103576A4 (en) * | 2019-12-27 | 2021-02-04 | Wuhan University | Autonomous orbit and attitude determination method of low-orbit satellite based on non-navigation satellite signal |
US20210103841A1 (en) * | 2019-10-07 | 2021-04-08 | Intelligent Fusion Technology, Inc. | Method and apparatus for rapid discovery of satellite behavior |
CN112782695A (zh) * | 2021-01-27 | 2021-05-11 | 西安电子科技大学 | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 |
CN112882071A (zh) * | 2021-01-11 | 2021-06-01 | 北京新星宇航科技有限公司 | 一种静止轨道卫星网络轨位自动化选取方法 |
CN113705073A (zh) * | 2021-04-14 | 2021-11-26 | 中国人民解放军战略支援部队航天工程大学 | 一种基于人工神经网络算法的卫星轨道预报方法 |
-
2021
- 2021-12-20 CN CN202111564739.1A patent/CN114399652B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102523032A (zh) * | 2011-12-08 | 2012-06-27 | 中国空间技术研究院 | 一种地球静止轨道卫星轨位确定方法 |
CN109767128A (zh) * | 2019-01-15 | 2019-05-17 | 中国人民解放军国防科技大学 | 基于机器学习的成像卫星自主任务规划方法 |
CN109991635A (zh) * | 2019-03-29 | 2019-07-09 | 中国空间技术研究院 | 一种igso卫星对地面动目标的跟踪弧段计算方法 |
CN110717646A (zh) * | 2019-09-03 | 2020-01-21 | 福建省农村信用社联合社 | 一种银行需求后评价的实现方法及系统 |
US20210103841A1 (en) * | 2019-10-07 | 2021-04-08 | Intelligent Fusion Technology, Inc. | Method and apparatus for rapid discovery of satellite behavior |
AU2020103576A4 (en) * | 2019-12-27 | 2021-02-04 | Wuhan University | Autonomous orbit and attitude determination method of low-orbit satellite based on non-navigation satellite signal |
CN112882071A (zh) * | 2021-01-11 | 2021-06-01 | 北京新星宇航科技有限公司 | 一种静止轨道卫星网络轨位自动化选取方法 |
CN112782695A (zh) * | 2021-01-27 | 2021-05-11 | 西安电子科技大学 | 基于isar图像和参数优化的卫星姿态和尺寸估计方法 |
CN113705073A (zh) * | 2021-04-14 | 2021-11-26 | 中国人民解放军战略支援部队航天工程大学 | 一种基于人工神经网络算法的卫星轨道预报方法 |
Non-Patent Citations (2)
Title |
---|
BOCHAO ZHOU: "Orbit Determination and Orbit Uncertainty Estimation using Neural Network Based Modified State Observer", 《PROCEEDINGS OF THE 40TH CHINESE CONTROL CONFERENCE》 * |
韩皓睿: "GEO卫星频轨选取风险柔性评估方法及应用", 《计算机系统与应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114826383A (zh) * | 2022-04-28 | 2022-07-29 | 军事科学院系统工程研究院网络信息研究所 | 基于数据映射的卫星通信频轨资源全任务周期管控方法 |
CN116545516A (zh) * | 2023-07-03 | 2023-08-04 | 北京有生志广科技有限公司 | 一种在轨卫星与卫星网络资料的匹配分析方法及系统 |
CN116545516B (zh) * | 2023-07-03 | 2023-09-19 | 北京有生志广科技有限公司 | 一种在轨卫星与卫星网络资料的匹配分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114399652B (zh) | 2022-09-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114399652B (zh) | 基于雷达图智能匹配的多指标体系geo卫星轨位选取方法 | |
CN111836358B (zh) | 定位方法、电子设备和计算机可读存储介质 | |
CN111368881B (zh) | 基于多维数据融合分析的低频gps轨迹路网匹配方法 | |
CN108540929B (zh) | 基于rssi信号强度排序的室内指纹定位方法 | |
CN103778477B (zh) | 监视台站布站方法和装置 | |
CN107113764A (zh) | 提高人工神经网络定位性能的方法和装置 | |
CN109996279A (zh) | 过覆盖小区定位方法、装置、设备及介质 | |
CN106851571A (zh) | 一种基于决策树的快速KNN室内WiFi定位方法 | |
CN104618045A (zh) | 基于采集数据的无线信道传播模型的建立方法和系统 | |
Redondi | Radio map interpolation using graph signal processing | |
CN111461410A (zh) | 一种基于迁移学习的空气质量的预测方法及装置 | |
CN107480808B (zh) | 一种高海拔山区引水工程线路规划方法 | |
CN113747360B (zh) | 一种基于混合可见光和ble的室内定位方法 | |
CN109522385B (zh) | 一种多尺度道路网m-n匹配模式的判定方法 | |
CN111178419B (zh) | 一种基于任务聚类的敏捷遥感卫星多目标任务规划方法 | |
CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
CN113627799B (zh) | 基于军事效益的gso频轨资源效能评估方法 | |
CN113985406A (zh) | 一种海上雷达目标航迹拼接方法 | |
CN110991562B (zh) | 一种基于物种构成特征的动物类群地理区划方法 | |
CN112469116A (zh) | 定位方法、装置、电子设备和计算机可读存储介质 | |
CN109889981B (zh) | 一种基于二分类技术的定位方法及系统 | |
Wang et al. | Terrain-based coverage manifold estimation: Machine learning, stochastic geometry, or simulation? | |
CN113610360B (zh) | 基于战略价值的gso频轨资源效能评估方法 | |
CN104469792A (zh) | 指纹定位中基于多假设分析的ap部署优化方法 | |
CN110472559B (zh) | 一种遥感影像建筑区域土地利用属性空间迁移方法 |
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 |