CN116227561B - 一种基于数字孪生和容器技术的卫星轨道误差预测方法 - Google Patents

一种基于数字孪生和容器技术的卫星轨道误差预测方法 Download PDF

Info

Publication number
CN116227561B
CN116227561B CN202310128377.4A CN202310128377A CN116227561B CN 116227561 B CN116227561 B CN 116227561B CN 202310128377 A CN202310128377 A CN 202310128377A CN 116227561 B CN116227561 B CN 116227561B
Authority
CN
China
Prior art keywords
prediction
orbit
satellite
error
satellite 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
CN202310128377.4A
Other languages
English (en)
Other versions
CN116227561A (zh
Inventor
王永丰
徐鑫辰
宋欢欢
赵英伟
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202310128377.4A priority Critical patent/CN116227561B/zh
Publication of CN116227561A publication Critical patent/CN116227561A/zh
Application granted granted Critical
Publication of CN116227561B publication Critical patent/CN116227561B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Radio Relay Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于数字孪生和容器技术的卫星轨道误差预测方法，包括以下步骤：S1.构建数字孪生的卫星轨道误差预测系统；S2.构建用于卫星轨道精确预测的容器模块进行卫星轨道误差预测:在控制中心构建的数字孪生系统上构建一个或多个容器模块，并在构建的容器模块上完成初始轨道预测值收集，并基于时间卷积网络进行卫星轨道误差预测。本发明在控制中心的卫星轨道预测中引入数字孪生系统和容器模块，使得离线训练机器学习模型成为可能，解决了控制中心下的计算负担、模型更新困难的问题，并将轨道预测误差而不是所有可用的卫星轨道数据作为学习变量,这将减少输入变量的维数，并在一定程度上避免模型训练期间的过度拟合，提高预测精度。

Description

一种基于数字孪生和容器技术的卫星轨道误差预测方法
技术领域
本发明涉及卫星轨道，尤其是涉及一种基于数字孪生和容器技术的卫星轨道误差预测方法。
背景技术
卫星轨道预测是空间动态感知的重要组成部分。它广泛应用于卫星导航、卫星定位、碰撞预警、预测和调度等多个领域。随着空间驻留物理数量的增加和空间信息网络的扩展，对卫星轨道预测的准确性和实时性提出了更高的要求，例如在卫星碰撞警告的应用中，卫星轨道模型的预测值不准确将导致空间碰撞的严重后果。
卫星的运行轨道由无数多个时刻的位置点组成，每个位置点可以由x、y、z三个方向的坐标位置确定，每个位置点可以表示为(x、y、z)，人们都希望卫星的轨道按照设计轨道运行，但是由于大气阻力、太阳辐射压力等的波动，使得卫星的轨道与设计轨道通常有一定的偏差，在一些卫星的精确应用下，我们希望知道卫星的未来轨道可能是怎么样的，这就需要通过轨道预测来完成，就是通过卫星过去运行轨道的历史数据确定卫星轨道未来一段时间的轨道位置。
目前的卫星轨道预测系统均由空间卫星、观测站和控制中心三部分组成。观测站通过无线电电磁波获得空间卫星的信息，然后将信息传输到控制中心，控制中心首先通过收集的卫星数据估计卫星轨道，然后使用卫星轨道预测模型预测卫星的未来轨道。
由观测站得到的卫星位置通常为卫星实际位置，t时刻卫星的实际位置可以表示为(xT(t),yT(t),zT(t))，通过预测得到的卫星t时刻卫星的预测位置可以表示为(xP(t),yP(t),zP(t))，预测位置与实际位置的差值为卫星轨道预测误差(xe(t),ye(t),ze(t)),该误差也可以简单表示为eTrue(t)。
传统的卫星轨道预测方法通常采用基于具有清晰数学表达式的动态物理模型。然而，卫星的摄动力系数和相关特征都是近似值，加之测量方法和估计算法的误差，在轨道预测过程中会产生误差。此外，一些不确定因素，如大气阻力、太阳辐射压力和卫星意图信息，难以准确用动态物理模型建模，这也会导致动态物理模型的轨道预测精度下降。为克服传统动态物理模型的轨道预测精度不足，有研究在传统的动态模型中嵌入了机器学习(Machine Learning,ML)框架，以校正轨道预测误差，并通过回归提高其预测精度，然而，仅通过使用机器学习框架来改进传统的轨道预测模型，需要解决计算负担增加、模型更新困难、模型过度拟合等问题。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于数字孪生和容器技术的卫星轨道误差预测方法，解决了计算负担增加、模型更新困难和模型过度拟合的问题，并有效提高了预测精度。
本发明的目的是通过以下技术方案来实现的：一种基于数字孪生和容器技术的卫星轨道误差预测方法：包括以下步骤：
S1.构建基于数字孪生的卫星轨道误差预测系统：
卫星轨道预测系统由数字孪生系统和物理对象组成，运行中的卫星和地面观测站被视为物理对象，在控制中心，为卫星轨道建立一个数字孪生系统，卫星在空间运行并与地面观测站通信，地面观测站收集运行卫星的实时轨道数据，将观测数据传输到控制中心，由控制中心传入数字孪生系统中，数字孪生系统在接收到地面站的观测数据后，采用传统的动态物理模型生成初始轨道预测值；
S2.构建用于卫星轨道精确预测的容器模块，并进行卫星轨道误差预测：
在控制中心构建的数字孪生系统上构建一个或多个容器模块，并在构建的容器模块上完成初始轨道预测值收集，并基于时间卷积网络进行卫星轨道误差预测。
本发明的有益效果是：(1)数字孪生系统和容器模块的使用，使得离线训练ML模型成为可能，这样复杂的ML训练不需要在控制中心完成，而可以在云端完成，通过更新容器模块，就可以实现预测模型的更新，解决了控制中心下的计算负担、模型更新困难的问题。
(2)在过去的ML框架下的卫星轨道预测中，是将所有可用的轨道数据作为学习变量，将误差作为目标变量，这将更容易导致机器学习模型的过度拟合。本专利提出了将轨道预测误差而不是所有可用的卫星轨道数据作为学习变量,这将减少输入变量的维数，并在一定程度上避免模型训练期间的过度拟合，提高预测精度。
附图说明
图1为卫星轨道预测数字孪生系统示意图；
图2实施例中TCN误差预测模型的结构示意图；
图3本发明的模型性能示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
下面结合时间卷积网络(TCN)的卫星轨道误差预测方法进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下描述。
一种基于数字孪生和容器技术的卫星轨道误差预测方法：包括以下步骤：
S1.构建基于数字孪生的卫星轨道误差预测系统：
如图1所示，整个卫星轨道预测系统由数字孪生系统和物理对象组成，运行中的卫星和地面观测站被视为物理物体，在控制中心，为卫星轨道建立一个数字孪生系统。卫星在空间运行并与地面观测站通信，地面观测站收集运行卫星的实时轨道数据，将观测数据传输到控制中心，控制中心再传入数字孪生系统中，数字孪生系统在接收到地面站的观测数据后，采用传统的动态物理模型生成初始轨道预测值。传统的动态物理模型可以是SGP4(Simplified Deep Space Perturbations,即简化深空摄动模型)模型、ECOM(ExtendedCODE Orbit Model)模型等，但不限于这些模型。
所述步骤S1中，卫星的运行轨道由多个时刻的位置点组成，每个位置点可以由x、y、z三个方向的坐标位置确定，所述传统的动态模型通过卫星过去运行轨道的历史数据确定卫星轨道未来一段时间的轨道位置，从而得到初始轨道预测值。
S2.卫星轨道精确预测的容器模块构建：
在控制中心构建的数字孪生系统上再构建3个容器模块，容器模块为卫星轨道的进一步精确预测提供计算空间，其可以有效地限制卫星轨道进一步精确预测占用的空间，将计算空间控制在控制中心可以提供的范围内，解决计算负担增加的问题。
本实施例采用3个容器模块(但是可以不限于3个容器模块)，3个容器模块分别完成初始轨道预测值收集、误差预测修正和评估三个功能。
S201.容器模块1：该模块的主要功能是从数字孪生系统收集动态物理模型预测的初始轨道预测值{P0(t0),P0(t1),…,P0(ti),…}，其中P0(ti)表示ti时刻的动态物理模型预测的初始轨道预测值,P0(ti)也可以表示为(xp0(ti),y(ti),zp0(ti))。
S202.容器模块2：该模块通过卫星轨道历史数据初始轨道预测值与实际轨道值之间的误差，得到卫星轨道预测误差eTrue：{eT(t0),eT(t1),…,eT(ti),…}，其中eT(t0)表示t0时刻的轨道预测误差，eT(t1)表示t1时刻的轨道预测误差，eT(ti)表示ti时刻的轨道预测误差，eT(ti)也表示为(xe(ti),ye(ti),ze(ti)),其中xe(ti)＝|xp0(ti)-xT(t)|，ye(ti)＝|yp0(ti)-yT(t)|，ze(ti)＝|zp0(ti)-zT(t)|；并基于时间卷积网络构建误差预测模型，将卫星轨道预测误差作为误差预测模型的输入数据集，进行卫星轨道的误差预测，多次迭代后得到卫星轨道误差预测结果。
S203.容器模块3：评估步骤S202所得到的卫星轨道误差预测结果是否满足精度要求，若满足，则将得到的卫星轨道误差预测结果作为最终的预测数据进行输出，并将卫星轨道误差预测结果作为新的初始预测误差，返回步骤S202重新进行预测。
在一些实施例中，也可以仅采用一个容器模块，此时上述的三个容器模块(容器模块1～容器模块3)的功能均在同一个容器模块中实现；在一些实施例中还可以采用任意数目的容器模块，此时，由上述三个容器模块(容器模块1～容器模块3)的功能可以集成在一个容器模块中，也可以分布在若干个容器模块中。例如，采用两个模块时，可以将容器模块1～容器模块2中功能集中在同一个模块中，将容器模块3的功能集成在另一个模块中；又如，在采用的容器模块数目大于3时，上述容器模块1～容器模块3中任意一个的功能均可以由多个容器模块联合实现。
在本申请的实施例中各个容器模块可以采用Docker容器技术，也可以采用Rocket或garden或其他任意的容器技术进行构建。
S3.基于时间卷积网络(TCN)的轨道误差预测方法
在S2构建的容器下，一种基于时间卷积网络(TCN)的卫星轨道误差预测方法如下，但不限于该方法：
S301.时间卷积网络(TCN)的卫星轨道误差预测模型构建：图2是基于时间卷积网络(TCN)的卫星轨道误差预测模型，K定义隐藏层数量，成为kernel数量，此例取为K＝2，该TCN模型即为3层TCN模型。图2左侧是一个残差模块的基本结构，包括卷积层、加权层、激活函数和Dropout层，残差模块用于网络中的跨层信息传输，图2右侧是一个卷积核K＝2的空洞卷积的过程。
S3011.空洞率为：d＝2n,n是隐藏层序号；输入层n＝0,第一层n＝1,第二层n＝2,…；
S3012.根据kernel数量设置滤波器个数，此例中设置滤波器个数为K+1，此例中的滤波器为：F＝{f0,f1,f2}
S3013.更新图2中左边第j隐藏层的第i个元素为:其中d为空洞率,K是隐藏层数量(S301有给出)，u为输入层的元素个数；
S3014.输出图2中左边输出层的第i个元素bi为：:
S3015.为了保证每一层卷积的输入输出相同，序列左侧使用0进行补齐，补零的个数由补零系数p决定，补零系数设置为:p＝(K-1)×d。
S302.卫星的轨道的TCN预测：步骤S2获得的卫星的轨道初始预测误差为{XE,YE,ZE},其分别表示在轨道空间三个方向上的初始预测误差，XE＝{xe(t0),xe(t1),xe(t2),…}，YE＝{ye(t0),ye(t1),ye(t2),…}，ZE＝{ze(t0),ze(t1),ze(t2),…}；构建3个相同的TCN模型，这3个相同的TCN模型分别用于X坐标方向、Y坐标方向和Z坐标方向的预测误差修正；每次取u+1个数据点XE＝{xe(t0),xe(t1),xe(t2),…,xe(tu)}，YE＝{ye(t0),ye(t1),ye(t2),…,ye(tu)}，ZE＝{ze(t0),ze(t1),ze(t2),…,ze(tu)},分别作为3个TCN模型的输入(对应图2中的)，通过多次迭代得到修正后的精确误差:XCE＝{xce(t0),xce(t1),xce(t2),…}，YCE＝{yce(t0),yce(t1),yce(t2),…}，ZCE＝{zce(t0),zce(t1),zce(t2),…}(对应图2中的/>)。
S303评价：采用S302获得的{XCE,YCE,ZCE}计算三个方向上误差的平方根和(RSS)σ
其中ex，ey,ez分别为两次连续时间下得到的X、Y、Z三个坐标方向上误差值,即
其中θ是积累因子，由需要的预测精度和容器能提供的计算空间确定。若σ满足精度要求，完成预测；否则转S302，以上一次的{XCE,YCE,ZCE}作为输入，通过多次迭代获得新的预测误差输出。
如图3所示，为本发明所提出模型的性能示意图。在图中，横轴表示卫星运行时间段。纵轴表示卫星轨道预测误差的平方和根的(Root Sum Square，RSS)值。红线表示SVM方法卫星轨道预测误差的RSS，圆圈虚线表示TCN方法卫星轨道预测误差的RSS。叉虚线为卫星的真实轨道描述的RSS，说明本专利提出的TCN预测误差更接近卫星的真实轨道，有更好的效果。
上述说明示出并描述了本发明的一个优选实施例，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (3)

1.一种基于数字孪生和容器技术的卫星轨道误差预测方法，其特征在于：包括以下步骤：
S1.构建基于数字孪生的卫星轨道误差预测系统：
卫星轨道预测系统由数字孪生系统和物理对象组成，运行中的卫星和地面观测站被视为物理对象，在控制中心，为卫星轨道建立一个数字孪生系统，卫星在空间运行并与地面观测站通信，地面观测站收集运行卫星的实时轨道数据，将观测数据传输到控制中心，由控制中心传入数字孪生系统中，数字孪生系统在接收到地面站的观测数据后，采用传统的动态物理模型生成初始轨道预测值；
所述步骤S1中，卫星的运行轨道由多个时刻的位置点组成，每个位置点由x、y、z三个方向的坐标位置确定，所述传统的动态物理模型通过卫星过去运行轨道的历史数据确定卫星轨道未来一段时间的轨道位置，从而得到初始轨道预测值；
S2.构建用于卫星轨道精确预测的容器模块，并进行卫星轨道误差预测：
在控制中心构建的数字孪生系统上构建一个或多个容器模块，并在构建的容器模块上完成初始轨道预测值收集，并基于时间卷积网络进行卫星轨道误差预测；
所述步骤S2中，在构建的容器模块上完成初始轨道预测值收集，并基于时间卷积网络进行卫星轨道误差预测的过程包括：
S201.在构建的容器模块上进行初始轨道预测值收集，即从数字孪生系统收集动态物理模型预测的初始轨道预测值，其中/>表示/>时刻的动态物理模型预测的初始轨道预测值，/>表示为/>，表示/>时刻的动态物理模型预测的初始轨道预测值在x、y、z三个方向的坐标；
S202.在构建的容器模块上通过历史数据，计算初始轨道预测值与实际轨道值之间的误差，即卫星轨道初始预测误差，其中/>表示/>时刻的轨道预测误差，/>表示/>时刻的轨道预测误差，/>表示/>时刻的轨道预测误差，/>也表示为/>, 其中，/>，；并基于时间卷积网络构建误差预测模型，将卫星轨道预测误差作为误差预测模型的输入数据集，进行卫星轨道的误差预测，多次迭代后得到卫星轨道误差预测结果；
S203.在容器模块上评估步骤S202所得到的卫星轨道误差预测结果是否满足精度要求，若满足，则将得到的卫星轨道误差预测结果作为最终的预测数据进行输出，并将卫星轨道误差预测结果作为新的初始预测误差，返回步骤S202重新进行预测。
2.根据权利要求1所述的一种基于数字孪生和容器技术的卫星轨道误差预测方法，其特征在于：所述步骤S202包括以下子步骤：
A1、构建基于时间卷积网络的卫星轨道误差预测模型：
基于TCN的卫星轨道误差预测模型中，定义K为隐藏层数量，即 kernel数量，输入层的输入数量为u+1，u由卫星的初始误差数据个数确定，其中TCN即时间卷积网络；
A101.设置空洞率为，n是隐藏层序号；输入层n=0, 第一层n=1, 第二层n=2,…；
A102.根据kernel数量设置滤波器个数：滤波器个数为 ,其中/>用于控制预测精度的正整数，将各个滤波器表示为：/>；
A103.更新第j隐藏层的第i个元素为: />，i=1...u；其中d为空洞率，u为输入层的元素个数；
A104.得到输出层的第i个元素为：/>，i=1...u；
A105.为了保证每一层卷积的输入输出相同，序列左侧使用0进行补齐，补零的个数由补零系数p决定，补零系数设置为: 𝒑=(𝑲−𝟏)×𝒅；
A2、卫星的轨道的TCN预测：
A201.设步骤S2获得的卫星的轨道初始预测误差为, 其分别表示在轨道空间三个方向上的初始预测误差，/>，，/>；构建3个相同的TCN模型，这3个相同的TCN模型分别用于X坐标方向、Y坐标方向和Z坐标方向的预测误差修正；每次取u+1个数据点/>，，，分别作为3个TCN模型的输入；
S202.对于步骤A201三个TCN模型中的每一个模型，将其输出作为新的输入，送入该模型中，进行多次迭代，当达到迭代次数后，得到多次迭代得到修正后的精确误差
；
；
。
3.根据权利要求1所述的一种基于数字孪生和容器技术的卫星轨道误差预测方法，其特征在于：所述步骤S203包括：
在容器模块上采用S202 获得的计算三个方向上误差的平方根和：
其中分别为两次连续时间下得到的X、Y、Z三个坐标方向上误差值，即
其中是积累因子，由需要的预测精度和容器能提供的计算空间确定，为预先确定的已知参数，若/>满足精度要求，完成预测，将得到的/>作为最终的预测数据进行输出；否则转S202，以上一次的/>作为输入，直至/>满足精度要求。
CN202310128377.4A 2023-02-17 2023-02-17 一种基于数字孪生和容器技术的卫星轨道误差预测方法 Active CN116227561B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310128377.4A CN116227561B (zh) 2023-02-17 2023-02-17 一种基于数字孪生和容器技术的卫星轨道误差预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310128377.4A CN116227561B (zh) 2023-02-17 2023-02-17 一种基于数字孪生和容器技术的卫星轨道误差预测方法

Publications (2)

Publication Number Publication Date
CN116227561A CN116227561A (zh) 2023-06-06
CN116227561B true CN116227561B (zh) 2023-09-12

Family

ID=86578066

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310128377.4A Active CN116227561B (zh) 2023-02-17 2023-02-17 一种基于数字孪生和容器技术的卫星轨道误差预测方法

Country Status (1)

Country Link
CN (1) CN116227561B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117828999B (zh) * 2024-03-04 2024-05-28 北京国星创图科技有限公司 一种数字孪生卫星群智能管理系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145434A (zh) * 2018-08-16 2019-01-04 北京理工大学 一种利用改进bp神经网络预测广播星历轨道误差的方法
CN110174690A (zh) * 2019-05-30 2019-08-27 杭州中科微电子有限公司 一种基于长短期记忆网络辅助的卫星定位方法
CN113111438A (zh) * 2021-04-16 2021-07-13 北京航空航天大学 一种数字孪生卫星在轨运维方法和系统
CN113343489A (zh) * 2021-06-29 2021-09-03 重庆两江卫星移动通信有限公司 基于容器技术和数字孪生技术的卫星通信仿真方法及系统
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
CN115039045A (zh) * 2019-11-25 2022-09-09 强力物联网投资组合2016有限公司 用于工业环境的智能振动数字孪生系统和方法
CN115293459A (zh) * 2022-09-26 2022-11-04 北京开运联合信息技术集团股份有限公司 一种数字孪生卫星有效载荷健康管理系统
CN115392077A (zh) * 2022-08-16 2022-11-25 中国人民解放军军事科学院国防科技创新研究院 基于深度学习的卫星物理场级数字孪生模型构建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
ITUB20160628A1 (it) * 2016-02-10 2017-08-10 St Microelectronics Srl Procedimento per predire l'orbita di un satellite e corrispondente ricevitore di segnale satellitare
US11726822B2 (en) * 2017-06-05 2023-08-15 Umajin Inc. Systems and methods for providing digital twin-enabled applications
CN109917431B (zh) * 2019-04-02 2021-03-23 中国科学院空间应用工程与技术中心 一种利用dro轨道和星间测量实现gnss卫星自主导航的方法
US20210133669A1 (en) * 2019-11-05 2021-05-06 Strong Force Vcn Portfolio 2019, Llc Control tower and enterprise management platform with robotic process automation layer to automate actions for subset of applications benefitting value chain network entities

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145434A (zh) * 2018-08-16 2019-01-04 北京理工大学 一种利用改进bp神经网络预测广播星历轨道误差的方法
CN110174690A (zh) * 2019-05-30 2019-08-27 杭州中科微电子有限公司 一种基于长短期记忆网络辅助的卫星定位方法
CN115039045A (zh) * 2019-11-25 2022-09-09 强力物联网投资组合2016有限公司 用于工业环境的智能振动数字孪生系统和方法
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
CN113111438A (zh) * 2021-04-16 2021-07-13 北京航空航天大学 一种数字孪生卫星在轨运维方法和系统
CN113343489A (zh) * 2021-06-29 2021-09-03 重庆两江卫星移动通信有限公司 基于容器技术和数字孪生技术的卫星通信仿真方法及系统
CN115392077A (zh) * 2022-08-16 2022-11-25 中国人民解放军军事科学院国防科技创新研究院 基于深度学习的卫星物理场级数字孪生模型构建方法
CN115293459A (zh) * 2022-09-26 2022-11-04 北京开运联合信息技术集团股份有限公司 一种数字孪生卫星有效载荷健康管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
"A DT Machine Learning-Based Satellite Orbit Prediction for IoT Applications";Xinchen Xu等;《IEEE Internet of Things Magazine ( Volume: 6, Issue: 2, June 2023)》;第6卷(第2期);第 96 - 100页 *

Also Published As

Publication number Publication date
CN116227561A (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
CN116227561B (zh) 一种基于数字孪生和容器技术的卫星轨道误差预测方法
CN108594638B (zh) 面向多任务多指标优化约束的航天器acs在轨重构方法
CN110888059A (zh) 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法
CN102495932A (zh) 一种基于响应面建模和改进粒子群算法的有限元模型修正方法
CN111898867B (zh) 一种基于深度神经网络的飞机总装生产线产能预测方法
CN107608208B (zh) 一种面向任务约束的航天器姿态控制系统在轨重构方法
CN109102155B (zh) 一种超短期节点边际电价概率预测方法及系统
CN111967183A (zh) 一种配电网台区线损的计算方法和系统
CN114567288B (zh) 基于变分贝叶斯的分布协同非线性系统状态估计方法
CN112711831A (zh) 血管仿真分析方法、设备、装置、计算机设备和存储介质
CN111291471A (zh) 一种基于l1正则无迹变换的约束多模型滤波方法
CN110969197B (zh) 一种基于实例迁移的风力发电的分位数预测方法
CN112083457A (zh) 一种神经网络优化的imm卫星定位导航方法
CN116106761A (zh) 基于典型相关分析的锂离子电池电量实时估计方法
CN109341690B (zh) 一种鲁棒高效的组合导航自适应数据融合方法
Zhao et al. Fusing vehicle trajectories and gnss measurements to improve gnss positioning correction based on actor-critic learning
CN112637823B (zh) 一种基于蓝牙设备的层次渐进定位方法
Palm Multiple-step-ahead prediction in control systems with Gaussian process models and TS-fuzzy models
CN109655057B (zh) 一种六推无人机加速器测量值的滤波优化方法及其系统
CN110851911A (zh) 终端状态计算模型训练方法、控制序列搜索方法及装置
CN117455048A (zh) 数据驱动的非参数贝叶斯分布鲁棒机组组合优化方法
CN117141520A (zh) 一种实时轨迹规划方法、装置和设备
CN110146084B (zh) 面向卫星故障的多星编队系统分布式协同导航滤波方法
CN116663395A (zh) 基于参数优化的支持向量机回归的降雨量等值面生成方法
CN115987443A (zh) 校时方法、装置及仪表设备

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