CN117094371A - 天线指向标校模型的训练方法、标校系统和参数生成方法 - Google Patents
天线指向标校模型的训练方法、标校系统和参数生成方法 Download PDFInfo
- Publication number
- CN117094371A CN117094371A CN202311344152.9A CN202311344152A CN117094371A CN 117094371 A CN117094371 A CN 117094371A CN 202311344152 A CN202311344152 A CN 202311344152A CN 117094371 A CN117094371 A CN 117094371A
- Authority
- CN
- China
- Prior art keywords
- training
- antenna pointing
- error
- satellite antenna
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012549 training Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 230000002068 genetic effect Effects 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000012216 screening Methods 0.000 claims abstract description 13
- 238000010586 diagram Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 30
- 238000012360 testing method Methods 0.000 description 18
- 101100004644 Arabidopsis thaliana BAT1 gene Proteins 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 13
- 238000005457 optimization Methods 0.000 description 13
- 238000012795 verification Methods 0.000 description 13
- 230000000694 effects Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 210000000349 chromosome Anatomy 0.000 description 10
- 238000012937 correction Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 108090000623 proteins and genes Proteins 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000005251 gamma ray Effects 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06N3/0499—Feedforward 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
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01Q—ANTENNAS, i.e. RADIO AERIALS
- H01Q3/00—Arrangements for changing or varying the orientation or the shape of the directional pattern of the waves radiated from an antenna or antenna system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Variable-Direction Aerials And Aerial Arrays (AREA)
Abstract
本发明涉及卫星天线标校技术领域,提供一种天线指向标校模型的训练方法、标校系统和参数生成方法,训练方法包括以下步骤:S1:初始化神经网络,生成影响天线指向的误差参数的初始权重和初始阈值;S2:根据天线指向相关性筛选出相关误差参数;S3:根据遗传算法获得相关误差参数的更新权重和更新阈值;S4:根据BP神经网络进行训练,得到卫星天线指向标校模型。本方案能够提升模型的精确度和模型的训练速度。
Description
技术领域
本发明涉及卫星天线标校技术领域,尤其涉及一种天线指向标校模型的训练方法、标校系统和参数生成方法。
背景技术
卫星测控需要由地面站的天线对准卫星进行数据传输,天线对准卫星的精确度决定了数据传输的效果。指向标校模型核心是建立地面站命令角与实际座架角的误差模型,完成对理论角的误差修正,是自跟踪异常时的一种辅助引导方式。
实际工程中,采用精轨卫星或者射电星标校法的A/E型天线误差修正模型,是基于轴系误差、大盘不水平误差、重力变形误差以及大气折射误差等误差机理建立的各误差与天线指向误差的数学模型,称为基本参数模型。
基本参数模型采用非线性最小二乘拟合算法对跟踪采集数据进行处理,即可解算出该天线误差修正数学模型的轴系误差修正系数,从而完成对天线指向或测角数据的误差修正。
但是实际应用中,采用卫星或者射电星标校的A/E型天线误差修正模型存在以下缺点:
第一,数据缺失,利用精轨卫星跟踪对天线进行角度标校时,所选择精轨卫星在天球上的轨迹应需均匀分布,方位和俯仰的跟踪弧段,都应该覆盖技术指标对雷达设备的要求,但实际中对于中小口径雷达天线,所能够利用的跟踪轨道有限,跟踪测试点分布可能不太均匀,影响模型的拟合精度。
第二,跟踪动态滞后,天线跟踪过境卫星时,由于动态滞后,在高仰角及航捷点附近都有一定的跟踪残差,计算各点空间角度误差时,必须先将动态滞后带来的跟踪残差扣除,因此必须有准确的角误差解调灵敏度数据,才能保证求出的空间角误差真实、准确。
第三,准备过程繁琐,采用射电星标校时,需要考虑匹配频段/口径的射电源、匹配射电源的天线G/T值、射电源的空域分布、小口径低流量辐射信号采集等影响因素,初始条件较多,不利于快速获得数据进行标校。
因此,需要提供一种天线指向标校模型的训练方法、标校系统和参数生成方法,提升模型的精确度和模型的训练速度。
在所述背景技术部分公开的上述信息仅用于加强对本申请的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本发明主要目的是克服卫星天线指向标校模型计算精度不高的问题,提供一种天线指向标校模型的训练方法、标校系统和参数生成方法,提升模型的精确度和模型的训练速度。
为实现上述的目的,本发明第一方面提供了一种天线指向标校模型的训练方法,包括以下步骤:
S1:初始化神经网络,生成影响天线指向的误差参数的初始权重和初始阈值;
S2:根据天线指向相关性筛选出相关误差参数;
S3:根据遗传算法获得相关误差参数的更新权重和更新阈值;
S4:根据BP神经网络进行训练,得到卫星天线指向标校模型。
根据本发明一示例实施方式,步骤S1中,所述影响天线指向的误差参数包括:方位座架角、方位座架命令角、俯仰数字转模拟输出、方位电流、俯仰电流、方位误差电压、俯仰误差电压、信号电平。
根据本发明一示例实施方式,步骤S2中,所述根据天线指向相关性筛选出相关误差参数的方法包括:根据跟踪存盘数据做热力图分析,筛选出多个影响天线指向较大的误差参数作为相关误差参数。
根据本发明一示例实施方式,所述筛选出多个影响天线指向较大的误差参数作为相关误差参数的方法包括:热力图中数值范围为(-1,1),筛选出表征正相关数据最接近1的前多个误差参数作为相关误差参数。
根据本发明一示例实施方式,步骤S3中,所述根据遗传算法获得相关误差参数的更新权重和更新阈值的方法包括:
S301:对相关误差参数的初始权重和初始阈值进行编码;
S302:建立适应度函数;
S303:选择操作;
S304:进行交叉操作;
S305:进行变异操作;
S306:计算种群适应度;
S307:判断是否满足终止条件,如果满足则输出相关误差参数的更新权重和更新阈值;否则重复步骤S303至步骤S307,直到满足终止条件。
根据本发明一示例实施方式,步骤S307中,所述终止条件包括:重复次数达到遗传代数。
根据本发明一示例实施方式,步骤S4中,所述根据BP神经网络进行训练的方法包括:
S401:获取相关误差参数的更新权重和更新阈值;
S402:计算误差;
S403:梯度下降更新网络权重和阈值,得到最终权重和最终阈值;
S404:判断是否达到训练目的,如果达到训练目的则得到卫星天线指向标校模型;否则重复步骤S401至步骤S404,直到达到训练目标。
根据本发明一示例实施方式,步骤S404中,所述训练目标包括:模型的损失函数达到指定评价值。
作为本发明的第二个方面,本发明提供一种卫星天线指向标校系统,该系统采用所述的卫星天线指向标校模型的训练方法训练得到。
作为本发明的第三个方面,本发明提供一种卫星天线的指向参数生成方法,包括以下步骤:
根据所述的卫星天线指向标校模型的训练方法训练得到卫星天线指向标校模型;
获取初始指向参数;
根据初始指向参数和卫星天线指向标校模型获得卫星天线的最终指向参数。
本发明的优势效果是:
本发明使用深度学习反向传播网络解决天线指向误差标定的问题,不再依赖传统射电星和精轨卫星的测量数据;在对误差反向传播前,使用遗传算法对网络初始权重和阈值做了优化,提升了模型收敛速度,降低了模型误差。将工程领域所用的最小二乘法拟合求标定系数的方法替换为深度学习训练模型,此过程不用关系实际误差模型的数学建模,思路创新的同时,也在实际应用中达到预期评估标准。模型可适用不同口径天线,在存盘测量数据的基础上,模型离线训练一次或者定期更新即可,模型输出反映实际跟踪指向。
附图说明
通过参照附图详细描述其示例实施例,本申请的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本申请的一些实施例,对于本领域的普通技术人员来讲,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示意性示出了天线指向标校模型的训练方法的步骤图。
图2示意性示出了天线指向标校模型的训练方法的流程图。
图3示意性示出了热力图。
图4示意性示出了BP神经网络的结构图。
图5示意性示出了经过遗传算法优化后和未经遗传算法优化的标校模型的收敛效果对比图。
图6示意性示出了未经遗传算法优化后的标校模型的验证图。
图7示意性示出了经过遗传算法优化后的标校模型的验证图。
图8示意性示出了经过遗传算法优化后的标校模型在测试集俯仰角验证效果图。
图9示意性示出了经过遗传算法优化后的标校模型在测试集方位角验证效果图。
图10示意性示出了经过遗传算法优化后的标校模型在测试集方位角模型残差图(预测值与实际值之差)。
图11示意性示出了经过遗传算法优化后的标校模型在测试集俯仰角模型残差图(预测值与实际值之差)。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本申请将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本申请的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本申请的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本申请的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本申请概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本申请所必须的,因此不能用于限制本申请的保护范围。
根据本发明的第一个具体实施方式,本发明提供一种天线指向标校模型的训练方法,如图1和图2所示,包括以下步骤:
S1:初始化神经网络,生成影响天线指向的误差参数的初始权重和初始阈值。
权重(weights):
权重是神经网络中连接两个神经元之间的参数。每个连接都有一个相关联的权重,它表示了信号从一个神经元传递到另一个神经元时的重要性或影响程度。
权重决定了输入信号的加权和,它们与输入信号相乘,然后被传递给后续神经元。通过学习算法(如梯度下降),神经网络会自动调整这些权重,以使网络能够学习并适应输入数据的模式,从而执行特定的任务,如分类或回归。
权重包括:网络隐藏层权重和网络输出层连接权重。
阈值(biases):
阈值是每个神经元的偏差参数,也称为偏移或偏置。它表示了神经元在激活前的敏感度。阈值可以理解为神经元的激活阈值,当神经元的输入加权和超过了阈值时,神经元才会被激活并传递信号给下一层。
阈值的作用是调整神经元的激活函数的输入,使其更容易或更难激活,从而影响神经元的响应模式。与权重一样,阈值也是通过训练过程中进行调整的参数。
阈值包括:网络隐藏层的阈值和网络输出层的阈值。
指向标校模型核心是建立地面站命令角与实际座架角的误差模型,完成对理论角的误差修正,是自跟踪异常时的一种辅助引导方式。
影响天线指向的误差参数包括:方位座架角、方位座架命令角、俯仰数字转模拟输出、方位电流、俯仰电流、方位误差电压、俯仰误差电压、信号电平。
S2:根据天线指向相关性筛选出相关误差参数。
根据天线指向相关性筛选出相关误差参数的方法包括:根据跟踪存盘数据做热力图分析,筛选出多个影响天线指向较大的误差参数作为相关误差参数。
筛选出多个影响天线指向较大的误差参数作为相关误差参数的方法包括:热力图中数值范围为(-1,1),筛选出表征正相关数据最接近1的前多个误差参数作为相关误差参数。
优选地,筛选出三个影响天线指向较大的误差参数作为相关误差参数。
影响天线指向较大表示与方位座架角相关性较强。
具体地,如下表1所示,表1示出了部分跟踪存盘数据。
表1
根据该跟踪存盘数据生成热力图。如图3所示,热力图中数值范围(-1,1),趋近于1表征正相关越强,趋近于-1表征负相关越强,由热力图可见,与方位座架角相关性较强的前三个参数分别为:方位座架命令角、俯仰电流、俯仰数字转模拟输出、方位误差电压。
S3:根据遗传算法获得相关误差参数的更新权重和更新阈值。
遗传算法(Genetic Algorithm,简称GA)是一种受到生物进化过程启发的优化算法,用于寻找问题的近似或最优解。遗传算法是一种进化算法,通过模拟自然选择和遗传机制,以一种迭代的方式逐步改进问题的解决方案。它通常应用于复杂的优化和搜索问题,其中传统的数学方法可能不够有效。
根据遗传算法获得相关误差参数的更新权重和更新阈值的方法包括:
S301:对相关误差参数的初始权重和初始阈值进行编码。
在对相关误差参数的初始权重和初始阈值进行编码,遗传算法中,先获取初始数据并进行预处理。
步骤S301主要包括种群初始化和种群编码。
首先,进行种群初始化:
选取n个种群,每个种群即每条染色体包含m个基因,即种群规模为:n×m,这里基因个数m即神经网络中的权重(wij、wjk)和阈值(γj、θk)的总个数,这里的权重和阈值均为随机产生的浮点数。m和n为自然数。
其次,进行种群编码:
由于需要优化的解为实数值,故采用浮点数编码,其相对于离散编码来说,更适用于参数之间存在连续关系的问题。在模型中,每条染色体的基因编码均为原值。
S302:建立适应度函数。
计算适应度:
适应度函数选取BP网络的损失函数:均方根误差。初代遗传中,种群规模中每条染色体按照网络结构前向传输,计算网络误差(适应度),对种群中染色体进行排序。
S303:选择操作。
选择运算:
采用轮盘赌选择,也称为比例选择,适应度较高的个体更有可能被选中。
S304:进行交叉操作。
交叉分为3步:
S304-1:在每一代的种群规模n×m中,随机选取2条染色体,准备交叉;
S304-2:产生范围在(0,1)的随机数p1,如果p1≤p_cross(交叉概率),则开始交叉;
S304-3:产生范围在(0,1)的随机数p2,根据p2×m值选择交叉位置,对选中的2条染色体进行对应位置的基因互换。
S305:进行变异操作。
S306:计算种群适应度。
对上述更新的种群,重新进行一轮适应度计算并且排序。适应度计算参考步骤S302的适应度函数。
S307:判断是否满足终止条件,如果满足则输出相关误差参数的更新权重和更新阈值;否则重复步骤S303至步骤S307,直到满足终止条件,输出更新权重和更新阈值。
终止条件包括:重复次数达到遗传代数。
所述遗传代数为遗传算法迭代循环次数。
种群遗传更新至设定代数后,停止繁衍,适应度函数值最小的1条染色体即为最优解,内含输送到BP神经网络的更新权重和更新阈值。
遗传算法设置参数如下表2所示。
表2
表中各参数设置依据如下:
染色体个数L:
L = n_feature * n_hidden + n_hidden + n_hidden * n_output + n_output;
其中,L为染色体个数;n_feature为输入层个数;n_hidden为隐藏层神经元个数;n_output为输出元素个数。
种群规模G:
即染色体个数,根据CPU或者GPU算力选取15。
交叉及变异概率Pc/Pm:
交叉概率Pc范围一般为0.4~0.99,变异概率Pm一般取0.001~0.1;交叉概率过大可能会导致个体基因信息过于混合,使得搜索过程过于随机,从而影响算法的性能,变异率过高会增加随机性,导致收敛速度慢。故根据适应度函数选取Pc为0.4,Pm为0.01。
遗传迭代次数T:
由于适应度计算需要经过神经网络多层传输,故种群繁衍代数不宜过大,避免计算时间过长,所以选取T为30。
S4:根据BP神经网络进行训练,得到卫星天线指向标校模型。
BP神经网络(Backpropagation Neural Network)是一种常见的人工神经网络(ANN)类型,用于机器学习和深度学习任务。它是一种前馈神经网络,通常用于监督学习问题,如分类和回归。BP神经网络由多个神经元层组成,其中依次包括输入层、隐藏层和输出层。
如图4所示,在BP神经网络中,输入层有4个输入信号,选取与预测值相关性较大的4个观测数据,分别是X1(方位座架命令角)、X2(俯仰数字转模拟输出)、X3(俯仰电流)、X4(方位误差电压),隐藏层有10个神经元,对应的权重和阈值为wij、γj,即隐藏层的权重为wij,隐藏层的阈值为γj;输出层包括4个神经元,对应的权重和阈值为wjk、θk,即输出层的权重(连接权重)为wjk,输出层的阈值为θk,预测值(目标值)为Y,本方案中,Y为方位座架角。
根据BP神经网络进行训练的方法包括:
S401:获取相关误差参数的更新权重和更新阈值。
S402:前向传播计算网络误差。
前向传播:
在BP神经网络中,输入信号Xi(i为自然数)在正向传播过程中,BP神经网络的权重保持不变,经过隐藏层的处理之后,在输出层得到实际输出Y,并通过误差函数计算Y与期望输出间的误差,若误差过大则转入反向转播过程。
设F(x)为隐藏层激励函数,此时先以Relu函数为例,函数公式如下(式中w和b即为权重和阈值),则神经网络正向传播时过程如下:
;
其中,F(x)为隐藏层激励函数,w表示权重,b表示阈值,T表示权重向量的转置操作,x表示网络的输入向量。
设hj为隐藏层第j个节点的输入值,则有:
;
其中,hj为隐藏层第j个节点的输入值,wij为输入层第i个节点与隐藏层第j个节点的连接权重;γj为隐藏层第j个节点的阈值,xi为第i个网络输入,m为输入层的节点个数,i和j均为自然数。
设Hj为隐藏层第j个节点的输出值,则有:
;
其中,Hj为隐藏层第j个节点的输出值,F为隐藏层激励函数,wij为输入层第i个节点与隐藏层第j个节点的连接权重;γj为隐藏层第j个节点的阈值,xi为第i个网络输入,m为输入层的节点个数,i和j均为自然数。
设Yk为输出层第k个节点的实际输出值,则有:
;
其中,Yk为输出层第k个节点的实际输出值,wjk为隐藏层第j个节点与输出层第k个节点的连接权重;θk为输出层第k个节点的阈值,n为隐藏层的节点个数,k为自然数。
误差反向传播:
误差信号以某种方式从输出层开始向前传播,网络的权重和阈值会随着误差信号的反馈不断进行调整,直至实际输出与期望输出保持在可接受的误差范围内,这是BP神经网络的反向工作过程。
假设样本数量为C,且第p个样本在第k个节点的期望输出为,那么根据误差准则函数可得到样本数据的误差为:
;
其中,ek表示样本数据在模型前向传播得到的均方差,n表示隐藏层的节点个数,表示第p个样本在第k个节点的期望输出,/>表示第p个样本在第k个节点的模型输出,C表示样本数量,n、p和k均为自然数。
S403:梯度下降更新网络权重和阈值,得到最终权重和最终阈值。
依据BP神经网络采用梯度下降法进行修正可知:
;
;
;
;
其中,表示输入层的权重变化量,/>为误差函数对权重求偏导,/>为更新步长;
表示输入层的阈值变化量,/>为误差函数对输入层阈值求偏导;
表示隐藏层的权重变化量,/>为误差函数对隐藏层权重求偏导;
表示隐藏层的阈值变化量,/>为误差函数对隐藏层阈值求偏导。
联立以上四个公式,可以获得网络隐藏层权重变化量为:
;
其中,表示误差函数对隐藏层第j个节点输入值求偏导;
表示隐藏层第j个节点输入对输入层权重求偏导;
表示隐藏层第j个节点输入对输出层第k个节点求偏导;
表示输出层第k个节点输出对输入层权重求偏导。
网络隐藏层的阈值变化量为:
;
其中,表示隐藏层第j个节点输入对输入层阈值求偏导;
表示输出层第k个节点输出对输入层阈值求偏导。
网络输出层连接权重变化量为:
;
其中,表示隐藏层第j个节点输入对输出层权重求偏导;
表示输出层第k个节点输出对输出层权重求偏导。
网络输出层的阈值变化量为:
。
其中,表示隐藏层第j个节点输入对输出层阈值求偏导;
表示输出层第k个节点输出对输出层阈值求偏导。
又因为:
;
;
;
;
。
BP神经网络各层的权重和阈值的最终调整量如下:
;
;
;
。
权重和阈值更新如下:
;
;
;
。
其中、/>、/>、/>分别为更新前的隐藏层的权重、更新前的隐藏层的阈值、更新前的输出层的权重、更新前的输出层的阈值,wij、γj、wjk、θk分别为更新后的隐藏层的权重、更新后的隐藏层的阈值、更新后的输出层的权重、更新后的输出层的阈值。
S404:判断是否达到训练目的,如果达到训练目的则得到卫星天线指向标校模型;否则重复步骤S401至步骤S404,直到达到训练目标。
训练目标包括:模型的损失函数达到指定评价值,即模型误差,模型的损失函数值达到预先设置的已经评价阈值。
BP神经网络设置参数如下表3所示。
表3
nn.MSELoss 是PyTorch(一个常用的深度学习框架)中的一个损失函数,全名是均方误差损失函数(Mean Squared Error Loss)。均方误差用于度量模型的预测值与实际目标值之间的差距的平方和的平均值。在回归问题中,通常会使用均方误差作为损失函数。
传统误差模型和推导过程,是基于轴系误差、大盘不水平误差、重力变形误差以及大气折射误差等误差机理建立的各误差与天线指向误差的数学模型,属于过程建模。本申请是从跟踪后的存盘数据分析,属于结果建模,两者出发点不一样。通过本方案的方法,采用遗传算法和BP神经网络的结合训练模型。
如图5所示,图5示出了经过遗传算法优化后和未经遗传算法优化的标校模型的收敛效果对比图,横坐标表示训练代数,单位为代,纵坐标表示均方差,无单位。GABP表示经过遗传算法优化后的BP网络标校模型(GABP模型),BP表示未经遗传算法优化后的BP网络标校模型(BP模型)。GABP_loss表示GABP模型在训练过程的损失函数曲线,BP_loss表示BP模型在训练过程的损失函数曲线。由图5可以看出,两种模型的误差最终都收敛,但是经过遗传算法优化后的BP网络模型(GABP模型)有以下两个优点:第一,GABP模型的初始损失函数值较小,较BP模型降低50%左右,说明GABP模型网络参数配置(权重和阈值)得到优化。第二,GABP模型在收敛过程中震荡较小,说明初始权重和阈值对模型收敛影响明显,GABP模型较BP模型稳定性好。
如图6和图7所示,分别表示经过遗传算法优化后和未经遗传算法优化的标校模型这两个模型在测试集的验证效果,其中测试集的数据做了归一化处理(值在0~1之间)。图6示意性示出了未经遗传算法优化后的标校模型的验证图;图7示意性示出了经过遗传算法优化后的标校模型的验证图,横坐标表示测试集样本数,单位为个,纵坐标表示归一化角度值,无单位。BP预测表示BP模型在测试集的验证效果,GABP预测表示GABP模型在测试集的验证效果。因为GABP模型和BP模型都收敛,所以在验证集对比上可以看出,遗传算法在加速收敛的前提下不会降低模型准确性。
如图8和图9所示,图8示意性示出了测试集俯仰角验证效果图;图9示意性示出了测试集方位角验证效果图,横坐标表示测试集样本数,单位为个,纵坐标表示度,单位为°。由图8和图9可以看出GABP模型在测试集的验证值与实际值基本吻合。
如图10和图11所示,图10示意性示出了测试集方位角模型残差图,残差图即预测值与实际值的差值;图11示意性示出了测试集俯仰角模型残差图,横坐标表示测试集样本数,单位为个,纵坐标表示度,单位为°。从GABP验证效果可以看出:测试集误差较小,其中方位角模型残差<0.2°,俯仰角模型残差<5e-3°。
本方案使用优化误差反馈传递型神经网络(GABP)解决天线指向误差标定的问题,不再依赖传统射电星和精轨卫星的测量数据;在对误差反向传播前,使用遗传算法对网络初始权重和阈值做了优化,提升了模型收敛速度,降低了模型误差。将工程领域所用的最小二乘法拟合求标定系数的方法(数学模型)替换为深度学习训练模型,此过程不用关系实际误差模型的数学建模,思路创新的同时,也在实际应用中达到预期评估标准。模型可适用不同口径天线,在存盘测量数据的基础上,模型离线训练一次或者定期更新即可,模型输出反映实际跟踪指向。
作为本发明的第二个具体实施方式,本发明提供一种卫星天线指向标校系统,该系统采用第一个具体实施方式的卫星天线指向标校模型的训练方法训练得到。
作为本发明的第三个具体实施方式,本发明提供一种卫星天线的指向参数生成方法,包括以下步骤:
根据第一个具体实施方式的卫星天线指向标校模型的训练方法训练得到卫星天线指向标校模型;
获取初始指向参数;
根据初始指向参数和卫星天线指向标校模型获得卫星天线的最终指向参数,即将初始指向参数输入卫星天线指向标校模型,得到卫星天线的最终指向参数。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种卫星天线指向标校模型的训练方法,其特征在于,包括以下步骤:
S1:初始化神经网络,生成影响天线指向的误差参数的初始权重和初始阈值;
S2:根据天线指向相关性筛选出相关误差参数;
S3:根据遗传算法获得相关误差参数的更新权重和更新阈值;
S4:根据BP神经网络进行训练,得到卫星天线指向标校模型。
2.根据权利要求1所述的卫星天线指向标校模型的训练方法,其特征在于,步骤S1中,所述影响天线指向的误差参数包括:方位座架角、方位座架命令角、俯仰数字转模拟输出、方位电流、俯仰电流、方位误差电压、俯仰误差电压、信号电平。
3.根据权利要求1所述的卫星天线指向标校模型的训练方法,其特征在于,步骤S2中,所述根据天线指向相关性筛选出相关误差参数的方法包括:根据跟踪存盘数据做热力图分析,筛选出多个影响天线指向较大的误差参数作为相关误差参数。
4.根据权利要求1所述的卫星天线指向标校模型的训练方法,其特征在于,所述筛选出多个影响天线指向较大的误差参数作为相关误差参数的方法包括:热力图中数值范围为(-1,1),筛选出表征正相关数值最接近1的前多个误差参数作为相关误差参数。
5.根据权利要求1所述的卫星天线指向标校模型的训练方法,其特征在于,步骤S3中,所述根据遗传算法获得相关误差参数的更新权重和更新阈值的方法包括:
S301:对相关误差参数的初始权重和初始阈值进行编码;
S302:建立适应度函数;
S303:选择操作;
S304:进行交叉操作;
S305:进行变异操作;
S306:计算种群适应度;
S307:判断是否满足终止条件,如果满足则输出相关误差参数的更新权重和更新阈值;否则重复步骤S303至步骤S307,直到满足终止条件。
6.根据权利要求5所述的卫星天线指向标校模型的训练方法,其特征在于,步骤S307中,所述终止条件包括:重复次数达到遗传代数。
7.根据权利要求1所述的卫星天线指向标校模型的训练方法,其特征在于,步骤S4中,所述根据BP神经网络进行训练的方法包括:
S401:获取相关误差参数的更新权重和更新阈值;
S402:计算误差;
S403:梯度下降更新网络权重和阈值,得到最终权重和最终阈值;
S404:判断是否达到训练目标,如果达到训练目标则得到卫星天线指向标校模型;否则重复步骤S401至步骤S404,直到达到训练目标。
8.根据权利要求1所述的卫星天线指向标校模型的训练方法,其特征在于,步骤S404中,所述训练目标包括:模型的损失函数达到指定评价值。
9.一种卫星天线指向标校系统,其特征在于,采用权利要求1-8中任一项所述的卫星天线指向标校模型的训练方法训练得到。
10.一种卫星天线的指向参数生成方法,其特征在于,包括以下步骤:
根据权利要求1-8中任一项所述的卫星天线指向标校模型的训练方法训练得到卫星天线指向标校模型;
获取初始指向参数;
根据初始指向参数和卫星天线指向标校模型获得卫星天线的最终指向参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344152.9A CN117094371A (zh) | 2023-10-17 | 2023-10-17 | 天线指向标校模型的训练方法、标校系统和参数生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311344152.9A CN117094371A (zh) | 2023-10-17 | 2023-10-17 | 天线指向标校模型的训练方法、标校系统和参数生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117094371A true CN117094371A (zh) | 2023-11-21 |
Family
ID=88775613
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311344152.9A Pending CN117094371A (zh) | 2023-10-17 | 2023-10-17 | 天线指向标校模型的训练方法、标校系统和参数生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117094371A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303252A (zh) * | 2015-10-12 | 2016-02-03 | 国家计算机网络与信息安全管理中心 | 基于遗传算法的多阶段神经网络模型训练方法 |
CN111487582A (zh) * | 2020-05-28 | 2020-08-04 | 北京爱笔科技有限公司 | 获得蓝牙阵列天线参数标定模型、到达角的方法和装置 |
CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
CN113722902A (zh) * | 2021-08-23 | 2021-11-30 | 西安电子科技大学 | 基于神经网络的赋形反射面天线最佳吻合参数估计方法 |
CN114430294A (zh) * | 2021-12-16 | 2022-05-03 | 北京邮电大学 | 一种对geo卫星的对地波束校准方法、装置、电子设备及存储介质 |
WO2022144499A1 (en) * | 2020-12-29 | 2022-07-07 | Sidus Innovations Oy | Antenna radiation pattern extraction using sparse field measurements |
CN115166791A (zh) * | 2022-07-14 | 2022-10-11 | 岚图汽车科技有限公司 | 一种智能驾驶车辆双gnss天线航向角标定方法及装置 |
CN116050285A (zh) * | 2023-03-29 | 2023-05-02 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
CN116126034A (zh) * | 2022-09-30 | 2023-05-16 | 中国电子科技集团公司第五十四研究所 | 一种船载测控天线光电标校方法 |
-
2023
- 2023-10-17 CN CN202311344152.9A patent/CN117094371A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303252A (zh) * | 2015-10-12 | 2016-02-03 | 国家计算机网络与信息安全管理中心 | 基于遗传算法的多阶段神经网络模型训练方法 |
CN111487582A (zh) * | 2020-05-28 | 2020-08-04 | 北京爱笔科技有限公司 | 获得蓝牙阵列天线参数标定模型、到达角的方法和装置 |
WO2022144499A1 (en) * | 2020-12-29 | 2022-07-07 | Sidus Innovations Oy | Antenna radiation pattern extraction using sparse field measurements |
CN112926265A (zh) * | 2021-02-28 | 2021-06-08 | 珠海复旦创新研究院 | 基于遗传算法优化神经网络的大气多孔探针测量校准方法 |
CN113722902A (zh) * | 2021-08-23 | 2021-11-30 | 西安电子科技大学 | 基于神经网络的赋形反射面天线最佳吻合参数估计方法 |
CN114430294A (zh) * | 2021-12-16 | 2022-05-03 | 北京邮电大学 | 一种对geo卫星的对地波束校准方法、装置、电子设备及存储介质 |
CN115166791A (zh) * | 2022-07-14 | 2022-10-11 | 岚图汽车科技有限公司 | 一种智能驾驶车辆双gnss天线航向角标定方法及装置 |
CN116126034A (zh) * | 2022-09-30 | 2023-05-16 | 中国电子科技集团公司第五十四研究所 | 一种船载测控天线光电标校方法 |
CN116050285A (zh) * | 2023-03-29 | 2023-05-02 | 中铁十四局集团大盾构工程有限公司 | 泥水平衡盾构机盾尾密封油脂消耗预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
张巨勇;施浒立;王伟;陈志平;: "基于LS-SVM的天线指向模型研究", 电波科学学报, no. 05, 15 October 2007 (2007-10-15), pages 804 - 809 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
US10931027B2 (en) | Method for array elements arrangement of l-shaped array antenna based on inheritance of acquired character | |
CN107657098B (zh) | 基于量子鸡群演化机制的环形天线阵列稀疏方法 | |
CN107944133B (zh) | 基于多目标量子蜘蛛群演化机制的环形天线阵列稀疏方法 | |
Hamdi et al. | Uniform and concentric circular antenna arrays synthesis for smart antenna systems using artificial neural network algorithm | |
CN111506868B (zh) | 一种基于hht权值优化的超短期风速预测方法 | |
CN115730743A (zh) | 一种基于深度神经网络的战场作战趋势预测方法 | |
CN106896724B (zh) | 用于太阳跟踪器的跟踪系统及跟踪方法 | |
CN113448245A (zh) | 一种基于深度学习的污水处理过程溶解氧控制方法及系统 | |
CN117154690A (zh) | 一种基于神经网络的光伏发电功率预测方法及系统 | |
CN117094371A (zh) | 天线指向标校模型的训练方法、标校系统和参数生成方法 | |
CN110427669B (zh) | 一种相控阵扫描辐射波束的神经网络模型计算方法 | |
CN109547083B (zh) | 一种基于神经网络的平顶波束赋形方法 | |
CN114117917B (zh) | 一种多目标优化的舰船磁偶极子阵列建模方法 | |
CN116306199A (zh) | 一种基于多元矢量控制交叉眼干扰技术实现的高效优化方法 | |
CN110221931B (zh) | 基于切比雪夫的系统级测试性设计多目标优化方法 | |
CN110910164A (zh) | 产品销售预测方法、系统、计算机设备和存储介质 | |
CN114330695B (zh) | 一种基于多层感知神经网络的相控阵驱动方法 | |
Li et al. | Maximum likelihood processing for arrays with partially unknown sensor gains and phases | |
CN113962369B (zh) | 一种基于改进Levenberg-Marquardt的径向基神经网络优化方法 | |
CN115015831B (zh) | 一种脉冲噪声和非均匀噪声联合影响下的大规模阵列目标方位估计方法 | |
CN117574991B (zh) | 基于ga算法优化bp神经网络的极移预报方法及系统 | |
CN111199774A (zh) | 一种三坐标设备位置校准方法 | |
Refan et al. | Comparing error predictions of GPS position components using, ARMANN, RNN, and ENN in order to use in DGPS | |
Akpan et al. | Adaptive recurrent neural network training algorithm for nonlinear model identification using supervised learning |
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 |