CN115833919A - 基于迭代学习的星间激光链路快速组网方法及相关设备 - Google Patents

基于迭代学习的星间激光链路快速组网方法及相关设备 Download PDF

Info

Publication number
CN115833919A
CN115833919A CN202310108588.1A CN202310108588A CN115833919A CN 115833919 A CN115833919 A CN 115833919A CN 202310108588 A CN202310108588 A CN 202310108588A CN 115833919 A CN115833919 A CN 115833919A
Authority
CN
China
Prior art keywords
target
iterative learning
current
inter
satellite laser
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
CN202310108588.1A
Other languages
English (en)
Other versions
CN115833919B (zh
Inventor
陆高原
谢小龙
薛佳音
梁亚超
丁润伟
罗彤
耿驰
张钦宇
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.)
Peng Cheng Laboratory
Original Assignee
Peng Cheng Laboratory
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 Peng Cheng Laboratory filed Critical Peng Cheng Laboratory
Priority to CN202310108588.1A priority Critical patent/CN115833919B/zh
Publication of CN115833919A publication Critical patent/CN115833919A/zh
Application granted granted Critical
Publication of CN115833919B publication Critical patent/CN115833919B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Optical Communication System (AREA)

Abstract

本发明公开了基于迭代学习的星间激光链路快速组网方法及相关设备，所述方法包括：获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据；根据所述目标数据获取当前目标误差；根据所述目标误差判断所述目标星间激光链路是否捕获完成；若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。本发明提出的基于迭代学习的星间激光链路快速组网方法，提高卫星激光通信链路的捕获概率并缩短卫星激光通信链路的建立时间，有效促进卫星激光通信的组网建设。

Description

基于迭代学习的星间激光链路快速组网方法及相关设备
技术领域
本发明涉及星间通讯技术领域，特别涉及基于迭代学习的星间激光链路快速组网方法、装置、终端及存储介质。
背景技术
随着社会对星间需求的日益提升，卫星激光通信组网也成为了重要发展内容。在现有技术中，要实现卫星激光通信组网就要确保激光通信链路可以快速切换，一般要求其迭代时间在10s以内，以减少建链过程对组网通信的限制。
目前的卫星激光通信捕获般采用扫描-凝视的方式：卫星激光通信终端一端选择扫描，另外一端选择凝视，直到探测器探测到光束信号，控制终端角度，使光束入射到探测器视场中心完成捕获。但是，采用固定的扫描区域使得迭代时可能会浪费大量时间，在卫星平台变动较大的情况下可能导致捕获失败，而且，现有的捕获技术中，没有加入终端与平台的形变误差，这导致不得不采用较大的扫描区域保证捕获概率。
因此，现有技术还有待改进和提高。
发明内容
针对现有技术的上述缺陷，本发明提供基于迭代学习的星间激光链路快速组网方法及相关设备，旨在解决现有卫星激光通信技术中迭代时间太长，捕获范围太大的问题。
为了解决上述技术问题，本发明所采用的技术方案如下：
本发明的第一方面，提供基于迭代学习的星间激光链路快速组网方法，所述方法包括：
获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据；
根据所述目标数据获取当前目标误差；
根据所述目标误差判断所述目标星间激光链路是否捕获完成；
若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；
若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述目标数据包括当前轨道预测瞄准角度、当前粗瞄指向角度、当前精瞄指向角度和当前卫星平台姿态角度。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述根据所述目标数据获取目标误差，包括：
根据第一公式获取所述目标误差；
所述第一公式为：
Figure SMS_1
；
其中，
Figure SMS_2
为第k次迭代时的所述目标误差，
Figure SMS_3
为第k次迭代时的所述轨道预测瞄准角度，
Figure SMS_4
为第k次迭代时的所述粗瞄指向角度，
Figure SMS_5
为第k次迭代时的所述精瞄指向角度，
Figure SMS_6
为当前卫星平台姿态角度。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述根据所述目标误差判断所述目标星间激光链路是否捕获完成，包括：
判断所述目标误差是否小于等于目标阈值，若小于等于所述目标阈值，则判定为捕获完成，若大于所述目标阈值，则判定为未捕获完成。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述根据所述目标误差和迭代学习算子更新目标控制角度，包括：
根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度的表达式为：
Figure SMS_7
；
其中，
Figure SMS_8
为第k+1次迭代时的所述目标控制角度，
Figure SMS_9
为第k次迭代时的所述目标控制角度，L为所述迭代学习算子。
所述的基于迭代学习的星间激光链路快速组网方法，其中，根据第二公式更新所述迭代学习算子。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述第二公式为：
Figure SMS_10
；
Figure SMS_11
；
其中，
Figure SMS_12
为第k次迭代时的所述迭代学习算子，
Figure SMS_13
为第k次迭代时的所述目标误差，s为小于k的正整数。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述目标收敛条件为，若当前所述目标误差与当前所述卫星平台姿态角度差小于等于500urad，则认为当前学习过程已经收敛。
所述的基于迭代学习的星间激光链路快速组网方法，其中，所述停止迭代后，包括：
获取优化数据，所述优化数据为目标卫星测量的当前目标星间激光链路的瞄准数据；
将所述优化数据替代所述目标数据，并重复执行所述根据所述目标数据获取当前目标误差的步骤，以进一步优化瞄准角度输出量。
本发明的第二方面，提供基于迭代学习的星间激光链路快速组网装置，包括：
数据获取模块，所述数据获取模块用于获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据；
误差获取模块，所述误差获取模块用于根据所述目标数据获取当前目标误差；
判断模块，所述判断模块用于根据所述目标误差判断所述目标星间激光链路是否捕获完成；
更新模块，所述更新模块用于若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；
迭代模块，所述迭代模块用于若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。
本发明的第三方面，提供一种终端，所述终端包括处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述任一项所述的基于迭代学习的星间激光链路快速组网方法的步骤。
本发明的第四方面，提供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一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现上述任一项所述的基于迭代学习的星间激光链路快速组网方法的步骤。
与现有技术相比，本发明提供了基于迭代学习的星间激光链路快速组网方法及相关设备，本发明提供的基于迭代学习的星间激光链路快速组网方法中，通过获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据，然后根据所述目标数据获取当前目标误差，并根据所述目标误差判断所述目标星间激光链路是否捕获完成，若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。本实施例针对卫星激光通信组网的建立，提出了一种基于迭代学习的星间激光链路快速组网方法，能够解决现有卫星激光通信技术中迭代时间太长，捕获范围太大的问题，提高卫星激光通信链路的捕获概率并缩短卫星激光通信链路的建立时间，有效促进卫星激光通信的组网建设。
附图说明
图1为本发明提供的基于迭代学习的星间激光链路快速组网方法的实施例的流程图；
图2为本发明提供的基于迭代学习的星间激光链路快速组网方法的实施例的捕获框架图；
图3为本发明提供的基于迭代学习的星间激光链路快速组网方法的实施例的迭代流程图；
图4为本发明提供的基于迭代学习的星间激光链路快速组网装置的实施例的结构原理图；
图5为本发明提供的终端的实施例的原理示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明提供的基于迭代学习的星间激光链路快速组网方法，可以应用于具有计算能力的终端中，终端可以执行本发明提供的基于迭代学习的星间激光链路快速组网方法进行星间激光链路快速组网，终端可以但不限于是各种计算机、移动终端、卫星等。
在一个实施例中，所述终端为卫星。如图1所示，所述基于迭代学习的星间激光链路快速组网方法的一个实施例中，包括步骤：
S100、获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据。
参照图2，在本实施例中，所述目标数据包括当前轨道预测瞄准角度、当前粗瞄指向角度、当前精瞄指向角度和当前卫星平台姿态角度。
S200、根据所述目标数据获取当前目标误差。
所述根据所述目标数据获取目标误差，包括：
S210、根据第一公式获取所述目标误差；
所述第一公式为：
Figure SMS_14
；
其中，
Figure SMS_15
为第k次迭代时的所述目标误差，
Figure SMS_16
为第k次迭代时的所述轨道预测瞄准角度，
Figure SMS_17
为第k次迭代时的所述粗瞄指向角度，
Figure SMS_18
为第k次迭代时的所述精瞄指向角度，
Figure SMS_19
为第k次迭代时的所述卫星平台姿态角度。
具体地，参照图3，在获取到当前目标星间激光链路的瞄准数据后，根据所述目标数据进行闭环迭代学习，更新迭代学习算子以完成闭环迭代训练：
根据第一公式计算所述目标误差。
所述第一公式为：
Figure SMS_20
；
其中，
Figure SMS_21
为第k次迭代时的所述目标误差，
Figure SMS_22
为第k次迭代时的所述轨道预测瞄准角度，
Figure SMS_23
为第k次迭代时的所述粗瞄指向角度，
Figure SMS_24
为第k次迭代时的所述精瞄指向角度，
Figure SMS_25
为当前卫星平台姿态角度。
判断捕捉情况：
S300、根据所述目标误差判断所述目标星间激光链路是否捕获完成。
计算出当前所述目标误差后，判断所述目标星间激光链路是否捕获完成。
所述根据所述目标误差判断所述目标星间激光链路是否捕获完成，包括：
S310、判断所述目标误差是否小于等于目标阈值，若小于等于所述目标阈值，则判定为捕获完成，若大于所述目标阈值，则判定为未捕获完成。
具体地，捕获完成定义为：获取当前轨道预测瞄准角度
Figure SMS_26
，使所述目标误差
Figure SMS_27
，其中，
Figure SMS_28
为捕获判据即所述目标阈值，所述目标阈值的角度为微弧度量级。
S400、若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件。
具体地，若当前所述目标误差
Figure SMS_29
，则判断为捕获完成，说明当前终端卫星与所述目标卫星的链路建立控制角度的精度已经足够，无需进行迭代学习优化。若当前所述目标误差
Figure SMS_30
，则判断为捕获未完成，说明当前终端卫星与目标卫星的链路链接建立控制角度的精度还不够，需要继续进行迭代学习优化。
具体地，继续进行迭代学习优化的具体方式为：根据所述目标误差和迭代学习算子更新所述目标控制角度。
所述根据所述目标误差和迭代学习算子更新目标控制角度，包括：
S410、根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度。
所述根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度的表达式为：
Figure SMS_31
；
其中，
Figure SMS_32
为第k+1次迭代时的所述目标控制角度，
Figure SMS_33
为第k次迭代时的所述目标控制角度，L为所述迭代学习算子。
根据第二公式更新所述迭代学习算子；
所述第二公式为：
Figure SMS_34
；
Figure SMS_35
；
其中，
Figure SMS_36
为第k次迭代时的所述迭代学习算子，
Figure SMS_37
为第k次迭代时的所述目标误差，s为小于k的正整数。
具体地，第k次迭代的所述迭代学习算子L的计算方式为：
Figure SMS_38
，
其中，
Figure SMS_39
，s为用户预定义的，小于k的正整数。
获取第k次迭代更新后的所述目标数据，获取第k+1次的所述目标误差
Figure SMS_40
和当前卫星平台姿态角度
Figure SMS_41
，判断是否达到所述目标收敛条件。
所述目标收敛条件为，若当前所述目标误差与当前所述卫星平台姿态角度差小于等于500urad，则认为当前学习过程已经收敛，具体公式如下：
Figure SMS_42
；
其中，e为所述目标误差。
具体地，将更新后的所述目标误差
Figure SMS_43
带入公式
Figure SMS_44
，若达到所述目标收敛条件，则认为迭代学习已经收敛，输出此时的所述目标控制角度作为最终输出控制角度。
S400、若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。
具体地，若未达到所述目标收敛条件，则根据更新后的所述目标控制角度进行重新瞄准，并获取重新瞄准后的所述目标数据，直至捕获完成或达到目标收敛条件，停止迭代，并在此基础上完成当前终端卫星与所述目标卫星的链路链接。
在完成当前终端卫星与所述目标卫星的链路链接后，还包括步骤：
S500、获取优化数据，所述优化数据为目标卫星测量的当前目标星间激光链路的瞄准数据。
具体地，所述优化数据包括所述目标卫星测量的当前终端卫星的当前轨道预测瞄准角度、当前粗瞄指向角度、当前精瞄指向角度和当前卫星平台姿态角度。
将所述优化数据替代所述目标数据，并重复执行所述根据所述目标数据获取当前目标误差的步骤，根据所述优化数据执行前述迭代过程，以进一步优化瞄准角度输出量。
本实施例通过基于迭代学习的星间激光链路快速组网方法，有力的适应与卫星平台的重复行轨道运动和姿态变化，并通过算法修正终端与平台之间的微小形变，实现动态调整捕获区域，优化计算指向角度，有效的提高卫星激光通信的组网效率，可以将捕获时间缩减到5s以内，十分有利于卫星激光通信的实用化发展。
综上所述，本实施例提供了基于迭代学习的星间激光链路快速组网方法，所述方法通过获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据，然后根据所述目标数据获取当前目标误差，并根据所述目标误差判断所述目标星间激光链路是否捕获完成，若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。本实施例针对卫星激光通信组网的建立，提出了一种基于迭代学习的星间激光链路快速组网方法，能够解决现有卫星激光通信技术中迭代时间太长，捕获范围太大的问题，提高卫星激光通信链路的捕获概率并缩短卫星激光通信链路的建立时间，有效促进卫星激光通信的组网建设。
应该理解的是，虽然本发明说明书附图中给出的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
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计算机可读存储介质中，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。
基于上述实施例，本发明还相应提供了基于迭代学习的星间激光链路快速组网装置，如图4所示，所述基于迭代学习的星间激光链路快速组网装置包括：
数据获取模块，所述数据获取模块用于获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据，具体如实施例一中所述；
误差获取模块，所述误差获取模块用于根据所述目标数据获取当前目标误差，具体如实施例一中所述；
判断模块，所述判断模块用于根据所述目标误差判断所述目标星间激光链路是否捕获完成，具体如实施例一中所述；
更新模块，所述更新模块用于若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件，具体如实施例一中所述；
迭代模块，所述迭代模块用于若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代，具体如实施例一中所述。
基于上述实施例，本发明还相应提供了一种终端，如图5所示，所述终端包括处理器10以及存储器20。图5仅示出了终端的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
所述存储器20在一些实施例中可以是所述终端的内部存储单元，例如终端的硬盘或内存。所述存储器20在另一些实施例中也可以是所述终端的外部存储设备，例如所述终端上配备的插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（SecureDigital, SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器20还可以既包括所述终端的内部存储单元也包括外部存储设备。所述存储器20用于存储安装于所述终端的应用软件及各类数据。所述存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于迭代学习的星间激光链路快速组网程序30，该基于迭代学习的星间激光链路快速组网程序30可被处理器10所执行，从而实现本申请中基于迭代学习的星间激光链路快速组网方法。
所述处理器10在一些实施例中可以是一中央处理器（Central Processing Unit,CPU），微处理器或其他芯片，用于运行所述存储器20中存储的程序代码或处理数据，例如执行所述超分图像质量评价方法等。
在一实施例中，参照图5的流程图，当处理器10执行所述存储器20中基于迭代学习的星间激光链路快速组网程序30时实现以下步骤：
获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据；
根据所述目标数据获取当前目标误差；
根据所述目标误差判断所述目标星间激光链路是否捕获完成；
若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；
若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。
其中，所述目标数据包括当前轨道预测瞄准角度、当前粗瞄指向角度、当前精瞄指向角度和当前卫星平台姿态角度。
其中，所述根据所述目标数据获取目标误差，包括：
根据第一公式获取所述目标误差；
所述第一公式为：
Figure SMS_45
；
其中，
Figure SMS_46
为第k次迭代时的所述目标误差，
Figure SMS_47
为第k次迭代时的所述轨道预测瞄准角度，
Figure SMS_48
为第k次迭代时的所述粗瞄指向角度，
Figure SMS_49
为第k次迭代时的所述精瞄指向角度，
Figure SMS_50
为当前卫星平台姿态角度。
其中，所述根据所述目标误差判断所述目标星间激光链路是否捕获完成，包括：
判断所述目标误差是否小于等于目标阈值，若小于等于所述目标阈值，则判定为捕获完成，若大于所述目标阈值，则判定为未捕获完成。
其中，所述根据所述目标误差和迭代学习算子更新目标控制角度，包括：
根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度。
其中，所述根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度的表达式为：
Figure SMS_51
；
其中，
Figure SMS_52
为第k+1次迭代时的所述目标控制角度，
Figure SMS_53
为第k次迭代时的所述目标控制角度，L为所述迭代学习算子。
其中，根据第二公式更新所述迭代学习算子。
其中，所述第二公式为：
Figure SMS_54
；
Figure SMS_55
；
其中，
Figure SMS_56
为第k次迭代时的所述迭代学习算子，
Figure SMS_57
为第k次迭代时的所述目标误差，s为小于k的正整数。
其中，所述目标收敛条件为，若当前所述目标误差与当前所述卫星平台姿态角度差小于等于500urad，则认为当前学习过程已经收敛。
其中，所述停止迭代后，包括：
获取优化数据，所述优化数据为所述目标卫星测量的当前目标星间激光链路的瞄准数据；
将所述优化数据替代所述目标数据，并重复执行所述根据所述目标数据获取当前目标误差的步骤，以进一步优化瞄准角度输出量。
本发明还提供一种计算机可读存储介质，其中，存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的基于迭代学习的星间激光链路快速组网方法的步骤。
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 (13)

1.基于迭代学习的星间激光链路快速组网方法，其特征在于，所述方法包括：
获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据；
根据所述目标数据获取当前目标误差；
根据所述目标误差判断所述目标星间激光链路是否捕获完成；
若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；
若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。
2.根据权利要求1所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述目标数据包括当前轨道预测瞄准角度、当前粗瞄指向角度、当前精瞄指向角度和当前卫星平台姿态角度。
3.根据权利要求2所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述根据所述目标数据获取目标误差，包括：
根据第一公式获取所述目标误差；
所述第一公式为：
Figure QLYQS_1
；
其中，
Figure QLYQS_2
为第k次迭代时的所述目标误差，
Figure QLYQS_3
为第k次迭代时的所述轨道预测瞄准角度，
Figure QLYQS_4
为第k次迭代时的所述粗瞄指向角度，
Figure QLYQS_5
为第k次迭代时的所述精瞄指向角度，
Figure QLYQS_6
为当前卫星平台姿态角度。
4.根据权利要求1所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述根据所述目标误差判断所述目标星间激光链路是否捕获完成，包括：
判断所述目标误差是否小于等于目标阈值，若小于等于所述目标阈值，则判定为捕获完成，若大于所述目标阈值，则判定为未捕获完成。
5.根据权利要求4所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述根据所述目标误差和迭代学习算子更新目标控制角度，包括：
根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度。
6.根据权利要求5所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述根据当前所述目标控制角度、当前所述目标误差和所述迭代学习算子更新所述目标控制角度的表达式为：
Figure QLYQS_7
；
其中，
Figure QLYQS_8
为第k+1次迭代时的所述目标控制角度，
Figure QLYQS_9
为第k次迭代时的所述目标控制角度，L为所述迭代学习算子。
7.根据权利要求6所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，根据第二公式更新所述迭代学习算子。
8.根据权利要求7所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述第二公式为：
Figure QLYQS_10
；
Figure QLYQS_11
；
其中，
Figure QLYQS_12
为第k次迭代时的所述迭代学习算子，
Figure QLYQS_13
为第k次迭代时的所述目标误差，s为小于k的正整数。
9.根据权利要求2所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述目标收敛条件为，若当前所述目标误差与当前所述卫星平台姿态角度差小于等于500urad，则认为当前学习过程已经收敛。
10.根据权利要求2所述的基于迭代学习的星间激光链路快速组网方法，其特征在于，所述停止迭代后，包括：
获取优化数据，所述优化数据为目标卫星测量的当前目标星间激光链路的瞄准数据；
将所述优化数据替代所述目标数据，并重复执行所述根据所述目标数据获取当前目标误差的步骤，以进一步优化瞄准角度输出量。
11.基于迭代学习的星间激光链路快速组网装置，其特征在于，包括：
数据获取模块，所述数据获取模块用于获取目标数据，所述目标数据为当前目标星间激光链路的瞄准数据；
误差获取模块，所述误差获取模块用于根据所述目标数据获取当前目标误差；
判断模块，所述判断模块用于根据所述目标误差判断所述目标星间激光链路是否捕获完成；
更新模块，所述更新模块用于若未捕获完成，则根据所述目标误差和迭代学习算子更新目标控制角度，并判断是否达到目标收敛条件；
迭代模块，所述迭代模块用于若未达到所述目标收敛条件，则重新执行获取目标数据的步骤，直至捕获完成或达到目标收敛条件，停止迭代。
12.一种终端，其特征在于，所述终端包括：处理器、与处理器通信连接的计算机可读存储介质，所述计算机可读存储介质适于存储多条指令，所述处理器适于调用所述计算机可读存储介质中的指令，以执行实现上述权利要求1-10任一项所述的基于迭代学习的星间激光链路快速组网方法的步骤。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-10任一项所述的基于迭代学习的星间激光链路快速组网方法的步骤。
CN202310108588.1A 2023-02-14 2023-02-14 基于迭代学习的星间激光链路快速组网方法及相关设备 Active CN115833919B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310108588.1A CN115833919B (zh) 2023-02-14 2023-02-14 基于迭代学习的星间激光链路快速组网方法及相关设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310108588.1A CN115833919B (zh) 2023-02-14 2023-02-14 基于迭代学习的星间激光链路快速组网方法及相关设备

Publications (2)

Publication Number Publication Date
CN115833919A true CN115833919A (zh) 2023-03-21
CN115833919B CN115833919B (zh) 2023-06-06

Family

ID=85521187

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310108588.1A Active CN115833919B (zh) 2023-02-14 2023-02-14 基于迭代学习的星间激光链路快速组网方法及相关设备

Country Status (1)

Country Link
CN (1) CN115833919B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5515062A (en) * 1993-08-11 1996-05-07 Motorola, Inc. Location system and method with acquisition of accurate location parameters
US20170059714A1 (en) * 2015-08-26 2017-03-02 Rockwell Collins, Inc. Satellite Signal Acquisition Using Antennas with Beamforming Abilities
US20170288753A1 (en) * 2016-03-31 2017-10-05 Hughes Network Systems, Llc Correcting satellite pointing direction
CN107783156A (zh) * 2017-10-12 2018-03-09 深圳市华讯方舟空间信息产业科技有限公司 卫星跟踪方法
CN110764119A (zh) * 2019-11-07 2020-02-07 中国人民解放军火箭军工程大学 不依赖于卫星导航信息的卫星天线自主测控方法及系统
CN111669224A (zh) * 2020-06-02 2020-09-15 武汉光谷航天三江激光产业技术研究院有限公司 星间激光通信瞄准偏差在轨测量及校正方法
CN113641182A (zh) * 2021-07-27 2021-11-12 东方红卫星移动通信有限公司 星间激光通信系统的高精度瞄准指向方法及系统
CN115065410A (zh) * 2022-07-06 2022-09-16 北京理工大学 卫星间高精度激光链路扫描捕获方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5515062A (en) * 1993-08-11 1996-05-07 Motorola, Inc. Location system and method with acquisition of accurate location parameters
US20170059714A1 (en) * 2015-08-26 2017-03-02 Rockwell Collins, Inc. Satellite Signal Acquisition Using Antennas with Beamforming Abilities
US20170288753A1 (en) * 2016-03-31 2017-10-05 Hughes Network Systems, Llc Correcting satellite pointing direction
CN107783156A (zh) * 2017-10-12 2018-03-09 深圳市华讯方舟空间信息产业科技有限公司 卫星跟踪方法
CN110764119A (zh) * 2019-11-07 2020-02-07 中国人民解放军火箭军工程大学 不依赖于卫星导航信息的卫星天线自主测控方法及系统
CN111669224A (zh) * 2020-06-02 2020-09-15 武汉光谷航天三江激光产业技术研究院有限公司 星间激光通信瞄准偏差在轨测量及校正方法
CN113641182A (zh) * 2021-07-27 2021-11-12 东方红卫星移动通信有限公司 星间激光通信系统的高精度瞄准指向方法及系统
CN115065410A (zh) * 2022-07-06 2022-09-16 北京理工大学 卫星间高精度激光链路扫描捕获方法

Also Published As

Publication number Publication date
CN115833919B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN109946911B (zh) 调焦方法、装置、计算机设备及存储介质
CN108846340B (zh) 人脸识别方法、装置及分类模型训练方法、装置、存储介质和计算机设备
CN111562977B (zh) 神经网络模型拆分方法、装置、存储介质和计算机系统
CN112241989A (zh) 外参标定方法、装置、计算机设备和存储介质
CN112651490B (zh) 人脸关键点检测模型的训练方法及设备、可读存储介质
CN111476814B (zh) 目标跟踪方法、装置、设备及存储介质
CN114387521B (zh) 基于注意力机制和边界损失的遥感影像建筑物提取方法
CN110753172A (zh) 校正方法、装置、电子设备和音圈马达
CN111881737A (zh) 年龄预测模型的训练方法及装置、年龄预测方法及装置
CN112183750A (zh) 神经网络模型训练方法、装置、计算机设备及存储介质
CN113421276A (zh) 一种图像处理方法、装置及存储介质
CN115833919A (zh) 基于迭代学习的星间激光链路快速组网方法及相关设备
CN111754429A (zh) 运动矢量后处理方法和装置、电子设备及存储介质
CN110322477B (zh) 特征点观察窗口设置方法、跟踪方法、装置、设备和介质
CN111462021B (zh) 图像处理方法、装置、电子设备和计算机可读存储介质
US20230033495A1 (en) Evaluation method for training data, program, generation method for training data, generation method for trained model, and evaluation system for training data
CN108846856B (zh) 图片特征点的跟踪方法和跟踪装置
CN111178162A (zh) 图像识别方法、装置、计算机设备和存储介质
CN116248803A (zh) Tdi成像系统及其校准方法、装置和计算机设备
US11983012B2 (en) Dynamic footprint set generation method, biped robot using the same, and computer readable storage medium
CN115014332A (zh) 激光slam建图方法、装置及电子设备、计算机可读存储介质
CN111402147B (zh) 视频图像处理方法、装置、计算机设备和存储介质
CN111812683B (zh) 一种低轨卫星实时跟踪方法、装置、设备及介质
CN114581310A (zh) 染色体矫直方法、装置、计算机设备和存储介质
CN115222822A (zh) 基于远距离拍摄的移动相机定位校正方法及装置

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