CN115855069A - 基于sce的geo航天器机动检测与位置预测方法 - Google Patents

基于sce的geo航天器机动检测与位置预测方法 Download PDF

Info

Publication number
CN115855069A
CN115855069A CN202310176330.5A CN202310176330A CN115855069A CN 115855069 A CN115855069 A CN 115855069A CN 202310176330 A CN202310176330 A CN 202310176330A CN 115855069 A CN115855069 A CN 115855069A
Authority
CN
China
Prior art keywords
causal
prediction model
maneuver
maneuvering
threshold
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
CN202310176330.5A
Other languages
English (en)
Other versions
CN115855069B (zh
Inventor
杨乐平
龙洗
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.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
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 National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202310176330.5A priority Critical patent/CN115855069B/zh
Publication of CN115855069A publication Critical patent/CN115855069A/zh
Application granted granted Critical
Publication of CN115855069B publication Critical patent/CN115855069B/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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于SCE的GEO航天器机动检测与位置预测方法。所述方法包括：利用基于传递熵的贪心搜索算法对因果参数的马尔可夫阶数进行计算，根据得到的因果参数的最优马尔可夫阶数构建结构因果方程，利用结果因果方程对经度进行预测，得到残差；根据混沌粒子群算法和滚动时域策略对非参数动态阈值优化模型和求解并进行自适应更新确定机动阈值，利用机动阈值对残差进行机动判断，得到机动检测结果；根据结构因果方程和机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，利用经度预测模型、纬度预测模型和高度预测模型进行GEO航天器位置预测。采用本方法能够提高机动检测灵敏度和及时性。

Description

基于SCE的GEO航天器机动检测与位置预测方法
技术领域
本申请涉及航天器机动检测技术领域，特别是涉及一种基于SCE的GEO航天器机动检测与位置预测方法落。
背景技术
空间态势感知是太空活动的基础，也是太空信息获取的重要支撑。随着世界各国对太空探索的不断深入，航天任务频繁，空间目标种类和数量不断增加，太空环境日益复杂。地球同步轨道（GEO）因其周期与地球自转周期相同，能够为用户提供通信、导航等各类服务而备受关注。因此，需要及时、准确地检测空间目标的机动并准确预测空间目标机动后的位置，将检测和预测结果纳入空间监视网络规划中，提高SSN的灵活性与可操作性。
轨道机动可能导致航天器的一些轨道参数发生变化，可以通过分析其参数的变化情况来识别机动。目前，针对空间目标轨道机动检测方法主要分为3个类别：（1）寻找空间目标历史数据中的统计异常值，检测代表轨道机动的特征异常值。基于概率判断模型的轨道机动检测方法。将距离变化率步进突变检测问题转化为概率判断问题，可以自适应地判断目标航天器在虚警概率约束下是否发生机动。（2）通过历史轨道数据传播，并将真实数据进行比较。有一部分人用期望最大化（EM）算法将高斯混合模型的预测误差概率分布与样本数据的预测误差进行拟合，为机动检测设置了一个合理的阈值。（3）通过融合有监督学习技术和无监督学习技术，使用机器学习方法进行航天器机动检测。有一部分人设计了一种检测GEO航天器机动的算法，并使用卷积神经网络（CNN）对公开的TLE数据进行训练，证明了CNN能够识别机动数据。还有人使用无监督分类方法，如K-means、层次化和模糊c均值聚类，利用TLE数据对空间目标进行机动检测。
然而，虽然目前围绕空间目标轨道机动检测问题已经取得了很多研究成果，但仍存在以下问题：(1)对机动数据的灵敏度较低。当航天器用小推力推进进行机动时，由于轨道参数的微小变化，很难探测到机动。(2) 检测及时性差。大部分工作采用两行根数数据进行分析，只能检测历史动作，忽略了当前时刻的数据。(3)检测阈值设置的主观性。当前的机动检测阈值通常是由操作人员根据经验手动设置的。高阈值很容易导致漏报机动，而低阈值可能会导致太多的虚假机动。(4)在检测到航天器机动后，忽略了空间目标的位置预测。只有通过预测机动后的位置，SSN才能调整其调度计划，从而使机动检测能够使其价值最大化。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高机动检测灵敏度和及时性的基于SCE的GEO航天器机动检测与位置预测方法。
一种基于SCE的GEO航天器机动检测与位置预测方法，所述方法包括：
根据轨道方程确定机动的因果参数；因果参数包括轨道半长轴、轨道偏心率和轨道倾角；
利用基于传递熵的贪心搜索算法对因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数；
根据因果参数的最优马尔可夫阶数构建结构因果方程，利用结果因果方程对经度进行预测，得到预测值与实际值之间的残差；
构建非参数动态阈值优化模型，采用混沌粒子群算法对非参数动态阈值优化模型进行求解，得到求解结果；
根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，利用机动阈值对残差进行机动判断，得到机动检测结果；
根据结构因果方程和机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，利用经度预测模型、纬度预测模型和高度预测模型进行GEO航天器位置预测。
在其中一个实施例中，利用基于传递熵的贪心搜索算法对因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数，包括：
获取因果参数的马尔可夫阶的搜索范围和因果参数的预测参数，在马尔可夫阶的搜索范围内依次计算了预测参数及对应的因果参数的传递熵，将传递熵最大化的马尔可夫阶作为最优的马尔可夫阶数。
在其中一个实施例中，根据因果参数的最优马尔可夫阶数构建结构因果方程，包括：
根据因果参数的最优马尔可夫阶数构建结构因果方程为
Figure SMS_1
；
其中，
Figure SMS_4
表示因果参数的最优马尔可夫阶数，/>
Figure SMS_5
表示要预测参数的最优马尔科夫阶数，/>
Figure SMS_7
表示要预测参数，/>
Figure SMS_3
表示预测参数的因果参数，/>
Figure SMS_6
表示因果系数，/>
Figure SMS_8
表示噪声，/>
Figure SMS_9
表示要预测参数的数量，/>
Figure SMS_2
表示当前时刻。
在其中一个实施例中，构建非参数动态阈值优化模型为
Figure SMS_10
；
其中，
Figure SMS_13
是真实机动的结果，/>
Figure SMS_14
是假阳性，/>
Figure SMS_17
是假阴性，/>
Figure SMS_11
是F1分数，/>
Figure SMS_15
表示平滑误差，/>
Figure SMS_18
表示随机数字，/>
Figure SMS_19
表示检测阈值，/>
Figure SMS_12
表示期望，/>
Figure SMS_16
表示方差。
在其中一个实施例中，根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，包括：
给定一个初始阈值
Figure SMS_20
,当检测到机动后，根据阈值公式和混沌粒子群算法计算新阈值/>
Figure SMS_21
；其中/>
Figure SMS_22
，/>
Figure SMS_23
是第一次检测到机动的时间；
当
Figure SMS_24
在/>
Figure SMS_25
时刻探测到第二个机动,由于第二次机动小于第一次机动，使用混沌粒子群算法更新阈值/>
Figure SMS_26
获得一个新的阈值/>
Figure SMS_27
,有/>
Figure SMS_28
，通过类比，第
Figure SMS_29
个机动最后被检测，得到机动阈值是/>
Figure SMS_30
。
在其中一个实施例中，利用机动阈值对残差进行机动判断，得到机动检测结果，包括：
当残差超过机动阈值时，判定残差分布为非高斯分布表示发生机动；当残差不超过机动阈值时，判定残差分布为高斯分布表示不发生机动。
在其中一个实施例中，利用结构因果方程和机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，包括：
若机动检测结果为发生机动，则利用最小二乘法更新结构因果方程的得到机动后的结构因果方程；根据机动后的结构因果方程构建经度预测模型、纬度预测模型和高度预测模型。
在其中一个实施例中，根据机动后的结构因果方程构建经度预测模型、纬度预测模型和高度预测模型，包括：
根据机动后的结构因果方程构建经度预测模型为
Figure SMS_31
；
其中，
Figure SMS_33
表示经度的最小二乘系数，/>
Figure SMS_36
表示经度，/>
Figure SMS_38
表示半长轴的最小二乘系数，/>
Figure SMS_34
表示半长轴，/>
Figure SMS_35
表示偏心率的最小二乘系数，/>
Figure SMS_37
表示偏心率，/>
Figure SMS_39
表示轨道倾角的最小二乘系数，/>
Figure SMS_32
表示轨道倾角。
在其中一个实施例中，根据机动后的结构因果方程构建纬度预测模型为
Figure SMS_40
；
其中，
Figure SMS_41
表示纬度。
在其中一个实施例中，根据机动后的结构因果方程构建高度预测模型为
Figure SMS_42
；
其中，
Figure SMS_43
表示半长轴的最小二乘系数，/>
Figure SMS_44
表示高度。
上述基于SCE的GEO航天器机动检测与位置预测方法质，首先根据轨道方程确定机动的因果参数；因果参数包括轨道半长轴、轨道偏心率和轨道倾角；利用传递熵的贪心搜索算法对因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数；航天器机动发生会导致轨道参数之间的因果强度发生变化，计算每个因果参数的最优马尔可夫阶数可以提高后续预测模型对轨道机动的敏感性，再根据因果参数的最优马尔可夫阶数构建结构因果方程，由于经度是GEO航天器唯一自由分配参数，提出了基于最优马尔可夫阶数的结构因果方程。由于结构因果方程代表数据生成过程，使用结构因果方程进行经度预测可以快速准确地得到结果，而不需要花费大量时间，提高了机动检测的及时性；利用结果因果方程对经度进行预测，得到预测值与实际值之间的残差；构建非参数动态阈值优化模型，采用混沌粒子群算法对非参数动态阈值优化模型进行求解，得到求解结果；根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，利用机动阈值对残差进行机动判断，得到机动检测结果；利用结果因果方程对经度进行预测，得到预测值与实际值之间的残差，采用非高斯残差进行机动检测，非参数动态阈值优化模型采用混沌粒子群算法进行优化，可以自动确定并自适应调整检测阈值，提高了检测阈值设置的主观性；根据结构因果方程和机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，利用经度预测模型、纬度预测模型和高度预测模型进行GEO航天器位置预测，可以准确地预测机动后的航天器位置，从而将指令反馈给空间目标监测网络，并准确地调整其调度计划。
附图说明
图1为一个实施例中一种基于SCE的GEO航天器机动检测与位置预测方法的流程示意图；
图2为一个实施例中混沌粒子群算法对模型进行优化的流程示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种基于SCE的GEO航天器机动检测与位置预测方法，包括以下步骤：
步骤102，根据轨道方程确定机动的因果参数；因果参数包括轨道半长轴、轨道偏心率和轨道倾角；利用基于传递熵的贪心搜索算法对因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数。
轨道机动是从初始轨道到达目标轨道的过程。根据摄动方程，航天器控制运动中的轨道参数称为时变参数，但位置与速度之间的相互转换仍然是一个二体问题。因此，轨道参数可以作为状态变量，其变化的规律性可以用摄动方程来描述。对于经典的轨道参数，它可以用高斯摄动方程来描述。
假设推力加速度在轨道坐标系
Figure SMS_45
的三个轴上的投影是/>
Figure SMS_46
.当航天器发动机在脉冲模式下工作时，脉冲使航天器获得一个速度增量，其分量在坐标系
Figure SMS_47
的三个轴上是/>
Figure SMS_48
,/>
Figure SMS_49
和/>
Figure SMS_50
因此，脉冲产生的轨道元素的瞬时变化如下：
Figure SMS_51
；
上式表明，
Figure SMS_59
和/>
Figure SMS_56
能够改变半长轴/>
Figure SMS_66
,偏心率/>
Figure SMS_53
,近地点幅角/>
Figure SMS_61
和平近点角/>
Figure SMS_57
,
Figure SMS_64
将改变轨道倾角/>
Figure SMS_58
,升交点赤经/>
Figure SMS_62
和近地点度角/>
Figure SMS_52
当/>
Figure SMS_60
,/>
Figure SMS_54
和/>
Figure SMS_65
到航天器中，它的轨道参数将会改变，因此，/>
Figure SMS_63
,/>
Figure SMS_67
和/>
Figure SMS_55
存在是航天器机动的原因。
然而，对于GEO航天器，参数
Figure SMS_70
和/>
Figure SMS_73
很小会导致参数/>
Figure SMS_76
和/>
Figure SMS_69
奇异.参数/>
Figure SMS_71
随时间变化很快，因此，参数/>
Figure SMS_74
,/>
Figure SMS_77
, />
Figure SMS_68
和航天器之间的因果关系很难识别。综上，选择/>
Figure SMS_72
,/>
Figure SMS_75
和/>
Figure SMS_78
作为因果参数，并应用它们预测经度。
在找出机动的因果参数后，有必要求出每个因果参数的马尔可夫阶。传递熵可以用来衡量其他参数的加入是否有利于预测下一个状态。因此，传递熵可以用来确定各原因参数的马尔可夫阶数。为了确定预测参数下一状态信息的最优马尔可夫阶数，提出了一种基于传递熵的贪心搜索算法。
传递熵
Figure SMS_79
用于量化变量Y在未来某一时间将给变量X带来的额外影响和信息。因此，当变量X的未来状态完全由其自身过去的历史状态决定时，即当变量Y不为变量X的未来提供任何附加的描述信息时，其传递熵为零；否则，如果变量Y能够用处理X本身不能包含的信息提供变量X的未来信息，则传递熵大于零。基于上述分析，可以利用传递熵来衡量所提供的参数是否对预测有贡献。传递熵越大，参数提供的预测信息就越多，预测结果也就越准确。本节设计了一种基于传递熵的贪婪搜索算法来确定每个因果参数的最优马尔可夫阶。主要流程如下：输入预测参数及其因果参数，以及马尔可夫阶的搜索范围（输入马尔可夫阶的最大值和最小值）。在马尔可夫阶搜索范围内，依次计算了各参数及其因果参数的传递熵。找到使传递熵最大化的马尔可夫阶。通过上述步骤，可以找到机动各因果参数的马尔可夫阶数。
步骤104，根据因果参数的最优马尔可夫阶数构建结构因果方程，利用结果因果方程对经度进行预测，得到预测值与实际值之间的残差。
本申请通过构建结构因果方程（SCE）在不需要复杂推理的情况下进行快速、准确的预测。SCE更适合用于机动检测和位置预测。
在传递熵的计算过程中，假设数据服从多元高斯分布。对于多元高斯分布，随机变量Z由X和Y组成，X和Y都服从多元高斯分布。均值向量为
Figure SMS_80
和/>
Figure SMS_81
, 方差的协方差矩阵可分为以下四个部分；
Figure SMS_82
；
然后，假设
Figure SMS_83
是/>
Figure SMS_84
的特征，条件分布/>
Figure SMS_85
也是一个带有条件期望的多元高斯分布，记如下：
Figure SMS_86
；
Figure SMS_87
；
上式表明，如果随机变量
Figure SMS_88
和/>
Figure SMS_89
服从多元高斯分布，固定/>
Figure SMS_90
,/>
Figure SMS_91
的期望可以用/>
Figure SMS_92
的线性函数表示。
假设GEO航天器位置参数的马尔可夫阶数为
Figure SMS_93
, 因果参数的马尔科夫-阶数为/>
Figure SMS_94
,因此，对于概率密度/>
Figure SMS_95
,当/>
Figure SMS_96
和/>
Figure SMS_97
服从多元高斯分布，根据上式，可以得到:/>
Figure SMS_98
；
令
Figure SMS_99
,/>
Figure SMS_100
,然后：
Figure SMS_101
；
上述过程表明，航天器数据的生成过程可以用一个线性函数来近似，变量X的下一个状态可以用其自身的历史信息和相应的因果参数信息线性地表示。C为因果系数，表示因果强度，该式提供了航天器下一个状态的预测模型，对经度进行预测，得到预测值与实际值之间的残差。
步骤106，构建非参数动态阈值优化模型，采用混沌粒子群算法对非参数动态阈值优化模型进行求解，得到求解结果；根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，利用机动阈值对残差进行机动判断，得到机动检测结果。
残差可以通过将预测值和实际值，取绝对值得到。当机动不发生时，参数之间的因果强度和分布不会发生变化，残差为高斯、平稳；当机动发生时，参数之间的因果强度和分布也会发生变化，残差为非高斯、非平稳。因此，非高斯残差可用于机动检测。残差的高斯分布和非高斯分布直接通过统计量进行测量，误差较大，因此将残差是否服从高斯分布的问题转化为自适应阈值的确定问题。当残差超过阈值时，判定为非高斯，即发生机动；当残差不超过阈值时，判定为高斯，即不发生机动。在本申请中，提出了一个非参数动态阈值优化模型，该模型自适应确定的阈值，没有任何先验知识。
传统的阈值确定方法包括手动设置阈值或基于极值理论的方法，但这些方法也存在一些缺点，如手动设置阈值困难、数据不服从规定的分布等。为了避免上述问题，本申请将阈值确定问题转换为一个高性能、低开销或无误差统计假设的优化问题。
Figure SMS_102
，/>
Figure SMS_103
,/>
Figure SMS_104
,
Figure SMS_105
./>
Figure SMS_106
是随机数字需要被优化。本申请中
Figure SMS_107
.目标函数是最大化F1_score。因此，可以建立非参数动态阈值优化模型，如下式：
Figure SMS_108
；
Figure SMS_109
是真实机动的结果（算法检测到确实发生的机动的结果），/>
Figure SMS_110
是假阳性（算法检测到一个实际上没有发生的机动的结果），/>
Figure SMS_111
是假阴性（算法无法检测到确实发生的机动的结果）。然后，/>
Figure SMS_112
是F1分数.
上述模型确定后，需要采用混沌粒子群算法进行优化，混沌粒子群算法为现有技术，在本申请中不做赘述，优化流程如图2所示。接着根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，每个周期使用混沌粒子群算法来更新检测阈值，阈值更新过程可以随着机动的发生使检测阈值更新，从而提高机动检测的精度。
步骤108，根据结构因果方程和机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，利用经度预测模型、纬度预测模型和高度预测模型进行GEO航天器位置预测。
航天器机动后，其轨道参数会发生变化，参数之间的因果强度也会发生变化，因此航天器的位置会发生很大的变化。目前，一般的机器学习和深度学习方法很难准确预测其位置。但是，如果不能有效地预测机动航天器的位置，SSN将无法观测目标，导致目标跟踪失败。只有通过预测机动后的航天器的位置，才能将情况反馈给SSN，并可以自适应地调整其调度计划。为了准确预测航天器机动后的具体位置，采用本申请推导的SCE进行预测。
但是，由于机动的发生会导致参数之间的因果强度的变化，这反映在SCE中因果系数的变化上，因此需要重新学习因果系数，以便更准确地预测机动后航天器的位置。
航天器的位置可以用经度、纬度和高度来表示，然而，对于GEO航天器，参数
Figure SMS_114
和/>
Figure SMS_116
很小,会导致参数/>
Figure SMS_119
和/>
Figure SMS_115
奇异，参数/>
Figure SMS_118
随时间变化很快，因此，参数/>
Figure SMS_121
,/>
Figure SMS_123
, />
Figure SMS_113
和航天器之间的因果关系很难识别。本申请在预测航天器的地理位置时，不仅考虑了位置参数的先前信息，还考虑了/>
Figure SMS_117
,/>
Figure SMS_120
和/>
Figure SMS_122
中的信息，有利于预测。
因此，根据SCE方程和机动检测结果，可以得到经度预测模型、纬度预测模型和高度预测模型。但是，由于机动后各参数之间的因果强度会发生变化，而SCE的因果系数也会发生变化。本申请在机动发生后，采用最小二乘法更新因果系数，得到机动后的SCE，然后预测经度、纬度和海拔高度，获得航天器机动的位置，使机动检测值最大化，从而将指令反馈给空间目标监测网络，并准确地调整其调度计划。
上述基于SCE的GEO航天器机动检测与位置预测方法中，首先根据轨道方程确定机动的因果参数；因果参数包括轨道半长轴、轨道偏心率和轨道倾角；利用传递熵的贪心搜索算法对因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数；航天器机动发生会导致轨道参数之间的因果强度发生变化，计算每个因果参数的最优马尔可夫阶数可以提高后续预测模型对轨道机动的敏感性，再根据因果参数的最优马尔可夫阶数构建结构因果方程，由于经度是GEO航天器唯一自由分配参数，提出了基于最优马尔可夫阶数的结构因果方程。由于结构因果方程代表数据生成过程，使用结构因果方程进行经度预测可以快速准确地得到结果，而不需要花费大量时间，提高了机动检测的及时性；利用结果因果方程对经度进行预测，得到预测值与实际值之间的残差；构建非参数动态阈值优化模型，采用混沌粒子群算法对非参数动态阈值优化模型进行求解，得到求解结果；根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，利用机动阈值对残差进行机动判断，得到机动检测结果；利用结果因果方程对经度进行预测，得到预测值与实际值之间的残差，采用非高斯残差进行机动检测，非参数动态阈值优化模型采用混沌粒子群算法进行优化，可以自动确定并自适应调整检测阈值，提高了检测阈值设置的主观性；根据结构因果方程和机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，利用经度预测模型、纬度预测模型和高度预测模型进行GEO航天器位置预测，可以准确地预测机动后的航天器位置，从而将指令反馈给空间目标监测网络，并准确地调整其调度计划。
在其中一个实施例中，利用传递熵的贪心搜索算法对因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数，包括：
获取因果参数的马尔可夫阶的搜索范围和因果参数的预测参数，在马尔可夫阶的搜索范围内依次计算了预测参数及对应的因果参数的传递熵，将传递熵最大化的马尔可夫阶作为最优的马尔可夫阶数。
在其中一个实施例中，根据因果参数的最优马尔可夫阶数构建结构因果方程，包括：
根据因果参数的最优马尔可夫阶数构建结构因果方程为
Figure SMS_124
；
其中，
Figure SMS_126
表示因果参数的最优马尔可夫阶数，/>
Figure SMS_128
表示要预测参数的最优马尔科夫阶数，/>
Figure SMS_130
表示要预测参数，/>
Figure SMS_127
表示预测参数的因果参数，/>
Figure SMS_129
表示因果系数，/>
Figure SMS_131
表示噪声，/>
Figure SMS_132
表示要预测参数的数量，/>
Figure SMS_125
表示当前时刻。
在其中一个实施例中，构建非参数动态阈值优化模型为
Figure SMS_133
；
其中，
Figure SMS_136
是真实机动的结果，/>
Figure SMS_138
是假阳性，/>
Figure SMS_140
是假阴性，/>
Figure SMS_135
是F1分数，/>
Figure SMS_139
表示平滑误差，/>
Figure SMS_141
表示随机数字，/>
Figure SMS_142
表示检测阈值，/>
Figure SMS_134
表示期望，/>
Figure SMS_137
表示方差。
在其中一个实施例中，根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，包括：
给定一个初始阈值
Figure SMS_143
,当检测到机动后，根据阈值公式和混沌粒子群算法计算新阈值/>
Figure SMS_144
；其中/>
Figure SMS_145
，/>
Figure SMS_146
是第一次检测到机动的时间；
当
Figure SMS_147
在/>
Figure SMS_148
时刻探测到第二个机动,由于第二次机动小于第一次机动，使用混沌粒子群算法更新阈值/>
Figure SMS_149
获得一个新的阈值/>
Figure SMS_150
,有/>
Figure SMS_151
，通过类比，第
Figure SMS_152
个机动最后被检测，得到机动阈值是/>
Figure SMS_153
。
在其中一个实施例中，利用机动阈值对残差进行机动判断，得到机动检测结果，包括：
当残差超过机动阈值时，判定残差分布为非高斯分布表示发生机动；当残差不超过机动阈值时，判定残差分布为高斯分布表示不发生机动。
在其中一个实施例中，利用结构因果方程和机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，包括：
若机动检测结果为发生机动，则利用最小二乘法更新结构因果方程的得到机动后的结构因果方程；根据机动后的结构因果方程构建经度预测模型、纬度预测模型和高度预测模型。
在其中一个实施例中，根据机动后的结构因果方程构建经度预测模型、纬度预测模型和高度预测模型，包括：
根据机动后的结构因果方程构建经度预测模型为
Figure SMS_154
；
其中，
Figure SMS_157
表示经度的最小二乘系数，/>
Figure SMS_158
表示经度，/>
Figure SMS_160
表示半长轴的最小二乘系数，/>
Figure SMS_156
表示半长轴，/>
Figure SMS_159
表示偏心率的最小二乘系数，/>
Figure SMS_161
表示偏心率，/>
Figure SMS_162
表示轨道倾角的最小二乘系数，/>
Figure SMS_155
表示轨道倾角。
在其中一个实施例中，根据机动后的结构因果方程构建纬度预测模型为
Figure SMS_163
；
其中，
Figure SMS_164
表示纬度。
在其中一个实施例中，根据机动后的结构因果方程构建高度预测模型为
Figure SMS_165
；
其中，
Figure SMS_166
表示半长轴的最小二乘系数，/>
Figure SMS_167
表示高度。
应该理解的是，虽然图1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，图1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。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于SCE的GEO航天器机动检测与位置预测方法，其特征在于，所述方法包括：
根据轨道方程确定机动的因果参数；所述因果参数包括轨道半长轴、轨道偏心率和轨道倾角；
利用基于传递熵的贪心搜索算法对所述因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数；
根据所述因果参数的最优马尔可夫阶数构建结构因果方程，利用所述结果因果方程对经度进行预测，得到预测值与实际值之间的残差；
构建非参数动态阈值优化模型，采用混沌粒子群算法对所述非参数动态阈值优化模型进行求解，得到求解结果；
根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，利用所述机动阈值对所述残差进行机动判断，得到机动检测结果；
根据所述结构因果方程和所述机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，利用所述经度预测模型、纬度预测模型和高度预测模型进行GEO航天器位置预测。
2.根据权利要求1所述的方法，其特征在于，利用基于传递熵的贪心搜索算法对所述因果参数的马尔可夫阶数进行计算，得到每个因果参数的最优马尔可夫阶数，包括：
获取因果参数的马尔可夫阶的搜索范围和因果参数的预测参数，在所述马尔可夫阶的搜索范围内依次计算了预测参数及对应的因果参数的传递熵，将传递熵最大化的马尔可夫阶作为最优的马尔可夫阶数。
3.根据权利要求2所述的方法，其特征在于，根据所述因果参数的最优马尔可夫阶数构建结构因果方程，包括：
根据所述因果参数的最优马尔可夫阶数构建结构因果方程为
Figure QLYQS_1
；
其中，
Figure QLYQS_3
表示因果参数的最优马尔可夫阶数，/>
Figure QLYQS_5
表示要预测参数的最优马尔科夫阶数，
Figure QLYQS_7
表示要预测参数，/>
Figure QLYQS_4
表示预测参数的因果参数，/>
Figure QLYQS_6
表示因果系数，/>
Figure QLYQS_8
表示噪声，/>
Figure QLYQS_9
表示要预测参数的数量，/>
Figure QLYQS_2
表示当前时刻。
4.根据权利要求1至3任意一项所述的方法，其特征在于，构建非参数动态阈值优化模型为
Figure QLYQS_10
；
其中，
Figure QLYQS_12
是真实机动的结果，/>
Figure QLYQS_16
是假阳性，/>
Figure QLYQS_18
是假阴性，/>
Figure QLYQS_13
是F1分数，/>
Figure QLYQS_15
表示平滑误差，/>
Figure QLYQS_17
表示随机数字，/>
Figure QLYQS_19
表示检测阈值，/>
Figure QLYQS_11
表示期望，/>
Figure QLYQS_14
表示方差。
5.根据权利要求4所述的方法，其特征在于，根据混沌粒子群算法和滚动时域策略对求解结果进行自适应更新确定机动阈值，包括：
给定一个初始阈值
Figure QLYQS_20
,当检测到机动后，根据阈值公式和混沌粒子群算法计算新阈值
Figure QLYQS_21
；其中/>
Figure QLYQS_22
，/>
Figure QLYQS_23
是第一次检测到机动的时间；
当
Figure QLYQS_24
在/>
Figure QLYQS_25
时刻探测到第二个机动,由于第二次机动小于第一次机动，使用混沌粒子群算法更新阈值/>
Figure QLYQS_26
获得一个新的阈值/>
Figure QLYQS_27
,有/>
Figure QLYQS_28
，通过类比，第/>
Figure QLYQS_29
个机动最后被检测，得到机动阈值是/>
Figure QLYQS_30
。
6.根据权利要求5所述的方法，其特征在于，利用所述机动阈值对所述残差进行机动判断，得到机动检测结果，包括：
当所述残差超过所述机动阈值时，判定残差分布为非高斯分布表示发生机动；当所述残差不超过所述机动阈值时，判定残差分布为高斯分布表示不发生机动。
7.根据权利要求6所述的方法，其特征在于，利用所述结构因果方程和所述机动检测结果构建经度预测模型、纬度预测模型和高度预测模型，包括：
若所述机动检测结果为发生机动，则利用最小二乘法更新结构因果方程的得到机动后的结构因果方程；根据所述机动后的结构因果方程构建经度预测模型、纬度预测模型和高度预测模型。
8.根据权利要求7所述的方法，其特征在于，根据所述机动后的结构因果方程构建经度预测模型、纬度预测模型和高度预测模型，包括：
根据所述机动后的结构因果方程构建经度预测模型为
Figure QLYQS_31
；
其中，
Figure QLYQS_34
表示经度的最小二乘系数，/>
Figure QLYQS_36
表示经度，/>
Figure QLYQS_38
表示半长轴的最小二乘系数，
Figure QLYQS_33
表示半长轴，/>
Figure QLYQS_35
表示偏心率的最小二乘系数，/>
Figure QLYQS_37
表示偏心率，/>
Figure QLYQS_39
表示轨道倾角的最小二乘系数，/>
Figure QLYQS_32
表示轨道倾角。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：
根据所述机动后的结构因果方程构建纬度预测模型为
Figure QLYQS_40
；
其中，
Figure QLYQS_41
表示纬度。
10.根据权利要求9所述的方法，其特征在于，所述方法还包括：
根据所述机动后的结构因果方程构建高度预测模型为
Figure QLYQS_42
；
其中，
Figure QLYQS_43
表示半长轴的最小二乘系数，/>
Figure QLYQS_44
表示高度。/>
CN202310176330.5A 2023-02-28 2023-02-28 基于sce的geo航天器机动检测与位置预测方法 Active CN115855069B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310176330.5A CN115855069B (zh) 2023-02-28 2023-02-28 基于sce的geo航天器机动检测与位置预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310176330.5A CN115855069B (zh) 2023-02-28 2023-02-28 基于sce的geo航天器机动检测与位置预测方法

Publications (2)

Publication Number Publication Date
CN115855069A true CN115855069A (zh) 2023-03-28
CN115855069B CN115855069B (zh) 2023-05-05

Family

ID=85659327

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310176330.5A Active CN115855069B (zh) 2023-02-28 2023-02-28 基于sce的geo航天器机动检测与位置预测方法

Country Status (1)

Country Link
CN (1) CN115855069B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120166084A1 (en) * 2010-12-23 2012-06-28 Electronics And Telecommunicatons Research Institute Method for fast and precise orbit propogation including maneuver
US20150274328A1 (en) * 2014-03-28 2015-10-01 Rincon Research Corporation Automated Detection and Characterization of Earth-Orbiting Satellite Maneuvers
CN109374532A (zh) * 2018-12-17 2019-02-22 杭州电子科技大学 基于传递熵和自适应融合的污染排放遥测误差补偿方法
CN114690210A (zh) * 2022-04-18 2022-07-01 山东大学 一种基于多普勒观测值的北斗卫星机动探测方法
CN114812569A (zh) * 2022-04-19 2022-07-29 中国人民解放军国防科技大学 一种追逃博弈机动航天器相对状态估计方法、装置和设备
CN115201863A (zh) * 2022-07-13 2022-10-18 中国电子科技集团公司第五十四研究所 基于干涉测量数据的geo卫星轨道机动检测方法
CN115420290A (zh) * 2022-08-16 2022-12-02 清华大学 非合作目标机动检测方法、装置、设备及计算机存储介质
CN115523927A (zh) * 2022-11-24 2022-12-27 中国人民解放军国防科技大学 基于光学传感器观测的geo航天器机动检测方法
CN115600051A (zh) * 2022-12-13 2023-01-13 中国人民解放军国防科技大学（Cn） 基于短弧天基光学观测的轨道机动智能检测方法和装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120166084A1 (en) * 2010-12-23 2012-06-28 Electronics And Telecommunicatons Research Institute Method for fast and precise orbit propogation including maneuver
US20150274328A1 (en) * 2014-03-28 2015-10-01 Rincon Research Corporation Automated Detection and Characterization of Earth-Orbiting Satellite Maneuvers
CN109374532A (zh) * 2018-12-17 2019-02-22 杭州电子科技大学 基于传递熵和自适应融合的污染排放遥测误差补偿方法
CN114690210A (zh) * 2022-04-18 2022-07-01 山东大学 一种基于多普勒观测值的北斗卫星机动探测方法
CN114812569A (zh) * 2022-04-19 2022-07-29 中国人民解放军国防科技大学 一种追逃博弈机动航天器相对状态估计方法、装置和设备
CN115201863A (zh) * 2022-07-13 2022-10-18 中国电子科技集团公司第五十四研究所 基于干涉测量数据的geo卫星轨道机动检测方法
CN115420290A (zh) * 2022-08-16 2022-12-02 清华大学 非合作目标机动检测方法、装置、设备及计算机存储介质
CN115523927A (zh) * 2022-11-24 2022-12-27 中国人民解放军国防科技大学 基于光学传感器观测的geo航天器机动检测方法
CN115600051A (zh) * 2022-12-13 2023-01-13 中国人民解放军国防科技大学（Cn） 基于短弧天基光学观测的轨道机动智能检测方法和装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LIQI MA 等: "Evaluation of Reconnaissance Performance of Optical Satellites for Ground-Moving-Target" *
刘运航 等: "一种基于多项式拟合的GEO卫星轨道机动滑窗式探测方法" *
宋小勇;贾小林;焦文海;毛悦;: "基于随机姿控力模型的GEO卫星机动定轨" *

Also Published As

Publication number Publication date
CN115855069B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN109214107B (zh) 一种船舶航行行为在线预测方法
Hassanien et al. Machine learning in telemetry data mining of space mission: basics, challenging and future directions
Ma et al. Informative planning and online learning with sparse gaussian processes
Yoon et al. The multilayer perceptron approach to lateral motion prediction of surrounding vehicles for autonomous vehicles
Scherer et al. River mapping from a flying robot: state estimation, river detection, and obstacle mapping
Grigorescu et al. Neurotrajectory: A neuroevolutionary approach to local state trajectory learning for autonomous vehicles
Azami et al. Classification of GPS satellites using improved back propagation training algorithms
Capone et al. Localized active learning of Gaussian process state space models
Zhao et al. Real-time fault detection method based on belief rule base for aircraft navigation system
Wang et al. Target localization and tracking based on improved Bayesian enhanced least-squares algorithm in wireless sensor networks
Tajdari et al. Simultaneous intelligent anticipation and control of follower vehicle observing exiting lane changer
Wei et al. Camera control for learning nonlinear target dynamics via Bayesian nonparametric Dirichlet-process Gaussian-process (DP-GP) models
Linares et al. Space objects maneuvering detection and prediction via inverse reinforcement learning
Hasan et al. Automatic estimation of inertial navigation system errors for global positioning system outage recovery
Jiao et al. End-to-end uncertainty-based mitigation of adversarial attacks to automated lane centering
Yin et al. Risk-aware model predictive path integral control using conditional value-at-risk
Seo et al. Metaverse: Meta-learning traversability cost map for off-road navigation
CN113076686A (zh) 一种基于社会长短期记忆网络的航空器轨迹预测方法
CN115855069A (zh) 基于sce的geo航天器机动检测与位置预测方法
Zhu et al. Path planning for adaptive CSI map construction with A3C in dynamic environments
Yang et al. Lane change trajectory prediction based on spatiotemporal attention mechanism
Moon et al. Learned search parameters for cooperating vehicles using gaussian process regressions
CN115130523A (zh) 基于隐马尔可夫模型的飞行目标行为意图预测方法
CN114742167A (zh) 一种基于机动行为识别的空间非合作目标运动概率预测方法
CN113406957A (zh) 基于免疫深度强化学习的移动机器人自主导航方法

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