CN117273217A - 一种空间碎片轨道预报方法、系统及电子设备 - Google Patents
一种空间碎片轨道预报方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117273217A CN117273217A CN202311212584.4A CN202311212584A CN117273217A CN 117273217 A CN117273217 A CN 117273217A CN 202311212584 A CN202311212584 A CN 202311212584A CN 117273217 A CN117273217 A CN 117273217A
- Authority
- CN
- China
- Prior art keywords
- data
- space debris
- model
- tle
- track
- 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
- 238000013277 forecasting method Methods 0.000 title abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 49
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 238000000034 method Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 21
- 239000012634 fragment Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 15
- 238000012417 linear regression Methods 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000006403 short-term memory Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000007123 defense Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种空间碎片轨道预报方法、系统及电子设备，获取目标空间碎片的历史TLE(Two‑Line Elements，两行根数)数据集；对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；根据所述训练集和测试集对LSTM(Long Short‑Term Memory，长短期记忆神经网络)模型进行训练和测试，得到空间碎片轨道预测模型；利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。采用上述方法，能够提高空间碎片轨道预报的精度，减少误差，对空间碎片的监测和管理具有重要意义。
Description
技术领域
本发明涉及空间态势感知技术领域，具体涉及一种空间碎片轨道预报方法、系统及电子设备。
背景技术
常驻空间物体(RSO)是绕地球运行的人造物体，共有数万个常驻空间物体(RSO)绕地球运行，除了几千颗可正常工作卫星外，其余全部为空间碎片。这些空间碎片以接近7km/s的速度飞行，缺乏准确的轨道预报可能导致与卫星的碰撞，将会引发严重事故。空间碎片轨道精确预报对于确保太空安全、保护卫星正常工作、规划航天任务至关重要。
两行根数(Two-Line Elements，TLE)是一种用于描述地球轨道上RSO位置和轨道参数的标准格式，主要由北美防空司令部(North American Aerospace Defense，NORAD)公开提供。利用TLE配合SGP模型计算的轨道精度一般为百米至千米量级，然而，伴随着RSO数量不断增加，如此精度的轨道已经不能满足空间态势感知领域的需求。
发明内容
为此，本发明提供一种空间碎片轨道预报方法、系统及电子设备，以解决现有空间碎片轨道预报方法的预报精度已经不能满足空间态势感知领域的需求的问题。
为了实现上述目的，本发明提供如下技术方案：
根据本发明实施例的第一方面，提出一种空间碎片轨道预报方法，所述方法包括：
获取目标空间碎片的历史TLE数据集；
对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；
根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；
利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。
进一步地，获取目标空间碎片的历史TLE数据集，具体包括：
获取目标空间碎片在预设时间段的历史TLE数据集，所述TLE数据集中的轨道参数包括偏心率、轨道倾角、升交点赤经、近地点角距、平近点角、平运动、B*阻力项和对应时刻。
进一步地，对所述TLE数据集中的轨道参数数据进行预处理，具体包括：
对包括B*阻力项和偏心率的短期波动超过预设阈值的非线性轨道参数进行滤波处理。
进一步地，对所述TLE数据集中的轨道参数数据进行预处理，具体包括：
对包括升交点赤经、近地点角距、平近点角的周期性轨道参数进行数据拼接处理；
其中，周期性上升数据的拼接公式为：
dataadjust＝data+360×n1；
周期性下降数据的拼接公式为：
dataadjust＝data-360×n2；
式中dataadjust为调整后的数据，data为调整前的数据，其中n1是使dataadjust≥前一个调整后的数据的最小非负整数，n2是使dataadjust≤前一个调整后的数据的最小非负整数。
进一步地，根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型，具体包括：
构建初始LSTM网络框架；
将经数据拼接处理得到的升交点赤经、近地点角距、平近点角数据输入至线性回归模型，其余轨道参数数据输入至构建的LSTM模型进行训练直至模型收敛，通过损失函数判断模型收敛情况，根据数据特性和需求，不断调整LSTM模型超参数，直至LSTM模型预测效果最优。
进一步地，对输入至LSTM的每个轨道参数计算下列参数：
mt＝φ(Nm·[pt-1,yt]+em)
ut＝φ(Nu·[pt-1,yt]+eu)
kt＝φ(Nk·[pt-1,yt]+ek)
pt＝kt·tanh(Lt)
式中mt、ut、kt分别是遗忘门、输入门、细胞门、输出门，Lt为t时刻的细胞状态，Lt-1为t-1时刻的细胞状态，pt为t时刻的隐藏状态，pt-1为t-1时刻的隐藏状态，φ表示Sigmoid激活函数，tanh表示双曲正切激活函数，·表示元素级乘积，Nm和em为遗忘门mt的权重和偏置，yt表示t时刻的输入，Nu和eu为输入门ut的权重和偏置，NL和eL为细胞门/>的权重和偏置，Nk和ek为输出门kt的权重和偏置。
进一步地，根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型，具体包括：
在模型中添加dropout层以应对过拟合问题，LSTM层的数量和dropout的程度根据具体问题的需求来进行调整；当调整LSTM层的数量时，根据问题复杂性增减层数，复杂问题增加层数；
在训练期间监控模型的性能指标，以便及时发现过拟合或欠拟合情况，并进行调整。
进一步地，利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值，具体包括：
利用训练好的线性回归模型获取所述目标空间碎片在目标时刻的升交点赤经、近地点角距以及平近点角的预测值；
利用训练好的LSTM模型获取所述目标空间碎片在目标时刻的偏心率、轨道倾角、平运动以及B*阻力项的预测值。
根据本发明实施例的第二方面，提出一种空间碎片轨道预报系统，所述系统包括：
数据获取模块，用于获取目标空间碎片的历史TLE数据集；
数据处理模块，用于对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；
模型训练模块，用于根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；
轨道预测模块，用于利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。
根据本发明实施例的第三方面，提出一种电子设备，所述设备包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的一种空间碎片轨道预报方法的步骤。
本发明提出一种空间碎片轨道预报方法、系统及电子设备，获取目标空间碎片的历史TLE数据集；对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。通过深度学习技术，对空间碎片的两行根数(TLE)轨道状态进行建模，并预测其未来的运动轨迹，所采用的LSTM模型结构简单、操作灵活、收敛速度快，无需对数据进行复杂预处理，且加入线性回归对部分参数进行预测，提高了空间碎片轨道预报精度。
与现有技术相比，本发明的优点是：
1)考虑历史TLE数据相关性：传统的轨道预报方法通常只基于当前时刻的轨道状态信息进行预测，而忽略了历史数据之间的相关性。本发明基于LSTM的轨道预报方法可以利用历史数据进行建模，考虑历史数据之间的相关性，从而更准确地预测轨道状态。
2)能够处理非线性和周期性变化：LSTM是一种深度学习模型，具有处理非线性和周期性变化的能力。在空间碎片轨道预报中，轨道状态受到多种因素的影响，包括地球引力、大气阻力、太阳辐射等，这些因素具有非线性和周期性变化的特点。本发明基于LSTM的轨道预报方法可以更好地捕捉这些因素的影响，提高预报精度。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种空间碎片轨道预报方法的流程图；
图2为本发明实施例提供的一种空间碎片轨道预报方法中模型训练流程图；
图3为本发明实施例提供的一种空间碎片轨道预报系统的示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
近几年，深度学习在特征提取和复杂非线性关系处理等方面备受推崇，为空间碎片轨道预报提供了新的方法。长短期记忆(LSTM)神经网络是一种常见的改进型循环神经网络(RNN)，特别针对时间序列数据处理和解决梯度消失问题而设计。本发明实施例利用长短期记忆(LSTM)神经网络进行空间碎片轨道预报，通过深度学习技术，对空间碎片的两行根数(TLE)轨道状态进行建模，并预测其未来的运动轨迹。
本发明第一实施例提供了一种空间碎片轨道预报方法，下面结合图1进行说明。
如图1所示，在步骤S101中，获取目标空间碎片的历史TLE数据集。
上述步骤具体包括，获取目标空间碎片在预设时间段的历史TLE数据集。
具体的，根据实际需求，确定研究时间段以及研究目标。空间目标的TLE数据由北美防空司令部公开提供。
将下载后的TLE数据集进行载入，并将7个轨道参数(平运动、偏心率、轨道倾角、升交点赤经、近地点角距、平近点角、B*阻力项)导入到参数字典的对应的键中。并添加一个参数Δt，表示每个日期与所选研究时间段的初始时间的差值，这将在后续与其他参数分别构成数据集。
如图1所示，在步骤S102中，对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集。
本发明实施例对于空间目标TLE数据集中的不同参数进行了特定的处理和转换。
上述步骤具体包括，对包括B*阻力项和偏心率的短期波动较大的非线性轨道参数进行滤波处理以及对包括升交点赤经、近地点角距、平近点角的周期性轨道参数进行数据拼接处理，通过数据拼接可使轨道参数数据更适合线性回归模型的学习；
其中，周期性上升数据的拼接公式为：
dataadjust＝data+360×n1；
周期性下降数据的拼接公式为：
dataadjust＝data-360×n2；
式中dataadjust为调整后的数据，data为调整前的数据，其中n1是使dataadjust≥前一个调整后的数据的最小非负整数，n2是使dataadjust≤前一个调整后的数据的最小非负整数。
参考图2，将预处理后的各轨道参数与上述的Δt分别组成数据子集，将不同数据子集按照一定比例划分为训练集以及测试集。
如图1所示，在步骤S103中，根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型。
上述步骤具体包括：
构建初始LSTM网络框架。LSTM模型的架构通常包括一个输入层、多个LSTM层、一个全连接层和一个回归输出层。LSTM通过门控机制和细胞状态来有效地捕获和处理序列数据中的长期依赖关系，对载入LSTM的每个轨道要素计算下列参数。
mt＝φ(Nm·[pt-1,yt]+em)
ut＝φ(Nu·[pt-1,yt]+eu)
kt＝φ(Nk·[pt-1,yt]+ek)
pt＝kt·tanh(Lt)
式中mt、ut、kt分别是遗忘门、输入门、细胞门、输出门，Lt为t时刻的细胞状态，Lt-1为t-1时刻的细胞状态，pt为t时刻的隐藏状态，pt-1为t-1时刻的隐藏状态，φ表示Sigmoid激活函数，tanh表示双曲正切激活函数，·表示元素级乘积，Nm和em为遗忘门mt的权重和偏置，yt表示t时刻的输入，Nu和eu为输入门ut的权重和偏置，NL和eL为细胞门/>的权重和偏置，Nk和ek为输出门kt的权重和偏置。
为了应对过拟合问题，在模型中添加dropout层，LSTM层的数量和dropout的程度根据具体问题的需求来进行调整。当调整LSTM层的数量时，根据问题复杂性增减层数，通常1-2层适用于简单问题，复杂问题可以尝试增加。对于dropout的程度，根据数据集大小和模型复杂性调整，通常从0.2到0.5，初始尝试可以从小值开始，逐渐增加。在训练期间监控模型的性能指标(如损失函数)，以便及时发现过拟合或欠拟合情况，并进行调整。在实施例中，所采用的激活函数为tanh，损失函数为平均绝对误差，(其中，n为训练集的数据量，yi是目标输出，/>是模型的预测)。
参考图2，将经数据拼接处理得到的升交点赤经、近地点角距、平近点角数据输入至线性回归模型，其余轨道参数数据输入至构建的LSTM模型进行训练直至模型收敛，通过损失函数判断模型收敛情况，根据数据特性和需求，不断调整LSTM模型超参数，直至LSTM模型预测效果最优。
其中，超参数在算法中用于控制算法效果，它不能通过算法自身学习得到，需要人为进行设置。在实施例中，需要设置的超参数包括但不限于：初始学习率、迭代次数、激活函数、优化器、批大小以及正则化参数(用于防止过拟合)。这些超参数的值需要根据实际问题的数据规模和复杂性进行适当的调整。
如图1所示，在步骤S104中，利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。
上述步骤具体包括，利用构建好的预测模型，预测指定时间段的数据，具体为，利用线性回归模型预测升交点赤经、近地点角距、平近点角数据，利用LSTM模型预测偏心率、轨道倾角、平运动以及B*阻力项，使模型一一输出各轨道参数的预测结果。
本发明实施例基于训练的LSTM模型并加入线性回归对轨道参数进行预测，相较于单独使用LSTM模型进行训练，按照其数据特性针对性训练预测的数据有更高的精度。
进一步地，对拼接后数据的预测结果进行逆处理，还原数据原始特性。形成最终的输出集。
本发明实例基于TLE数据实现空间碎片轨道预报，该方法还适用于其他由雷达、光学测量数据转换而来的TLE数据格式。
与现有技术相比，本发明实施例提供的一种空间碎片轨道预报方法，获取目标空间碎片的历史TLE数据集；对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。通过深度学习技术，对空间碎片的两行根数(TLE)轨道状态进行建模，并预测其未来的运动轨迹，所采用的LSTM模型结构简单、操作灵活、收敛速度快，无需对数据进行复杂预处理，且加入线性回归对部分参数进行预测，提高了空间碎片轨道预报精度。
与上述公开的一种空间碎片轨道预报方法相对应，本发明实施例还公开了一种空间碎片轨道预报系统，如图3所示，其具体包括：
数据获取模块201，用于获取目标空间碎片的历史TLE数据集；
数据处理模块202，用于对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；
模型训练模块203，用于根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；
轨道预测模块204，用于利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。
需要说明的是，对于本发明实施例提供的一种空间碎片轨道预报系统的详细描述可以参考对本申请实施例提供的一种空间碎片轨道预报方法的相关描述，这里不再赘述。
与现有技术相比，本申请实施例提供的一种空间碎片轨道预报系统，通过获取目标空间碎片的历史TLE数据集；对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。通过深度学习技术，对空间碎片的两行根数(TLE)轨道状态进行建模，并预测其未来的运动轨迹，所采用的LSTM模型结构简单、操作灵活、收敛速度快，无需对数据进行复杂预处理，且加入线性回归对部分参数进行预测，提高了空间碎片轨道预报精度。
另外，本发明实施例还提供了一种电子设备，所述设备包括：处理器和存储器；所述存储器用于存储一个或多个程序指令；所述处理器，用于运行一个或多个程序指令，用以执行如上任一项所述的一种空间碎片轨道预报方法的步骤。
需要说明的是，对于本发明实施例提供的一种电子设备的详细描述可以参考对本申请实施例提供的一种空间碎片轨道预报方法的相关描述，这里不再赘述。
另外，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述一种长文本摘要生成方法的步骤。
需要说明的是，对于本发明实施例提供的一种计算机可读存储介质的详细描述可以参考对本申请实施例提供的一种空间碎片轨道预报方法的相关描述，这里不再赘述。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable GateArray，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种空间碎片轨道预报方法，其特征在于，所述方法包括：
获取目标空间碎片的历史TLE数据集；
对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；
根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；
利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。
2.根据权利要求1所述的一种空间碎片轨道预报方法，其特征在于，获取目标空间碎片的历史TLE数据集，具体包括：
获取目标空间碎片在预设时间段的历史TLE数据集，所述TLE数据集中的轨道参数包括偏心率、轨道倾角、升交点赤经、近地点角距、平近点角、平运动、B*阻力项和对应时刻。
3.根据权利要求2所述的一种空间碎片轨道预报方法，其特征在于，对所述TLE数据集中的轨道参数数据进行预处理，具体包括：
对包括B*阻力项和偏心率的短期波动超过预设阈值的非线性轨道参数进行滤波处理。
4.根据权利要求2所述的一种空间碎片轨道预报方法，其特征在于，对所述TLE数据集中的轨道参数数据进行预处理，具体包括：
对包括升交点赤经、近地点角距、平近点角的周期性轨道参数进行数据拼接处理；
其中，周期性上升数据的拼接公式为：
dataadjust＝data+360×n1；
周期性下降数据的拼接公式为：
dataadjust＝data-360×n2；
式中dataadjust为调整后的数据，data为调整前的数据，其中n1是使dataadjust≥前一个调整后的数据的最小非负整数，n2是使dataadjust≤前一个调整后的数据的最小非负整数。
5.根据权利要求1所述的一种空间碎片轨道预报方法，其特征在于，根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型，具体包括：
构建初始LSTM网络框架；
将经数据拼接处理得到的升交点赤经、近地点角距、平近点角数据输入至线性回归模型，其余轨道参数数据输入至构建的LSTM模型进行训练直至模型收敛，通过损失函数判断模型收敛情况，根据数据特性和需求，不断调整LSTM模型超参数，直至LSTM模型预测效果最优。
6.根据权利要求5所述的一种空间碎片轨道预报方法，其特征在于，对输入至LSTM的每个轨道参数计算下列参数：
mt＝φ(Nm·[pt-1,yt]+em)
ut＝φ(Nu·[pt-1,yt]+eu)
kt＝φ(Nk·[pt-1,yt]+ek
pt＝kt·tanh(Lt)
式中mt、ut、kt分别是遗忘门、输入门、细胞门、输出门，Lt为t时刻的细胞状态，Lt-1为t-1时刻的细胞状态，pt为t时刻的隐藏状态，pt-1为t-1时刻的隐藏状态，φ表示Sigmoid激活函数，tanh表示双曲正切激活函数，·表示元素级乘积，Nm和em为遗忘门mt的权重和偏置，yt表示t时刻的输入，Nu和eu为输入门ut的权重和偏置，NL和eL为细胞门/>的权重和偏置，Nk和ek为输出门kt的权重和偏置。
7.根据权利要求5所述的一种空间碎片轨道预报方法，其特征在于，根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型，具体包括：
在模型中添加dropout层以应对过拟合问题，LSTM层的数量和dropout的程度根据具体问题的需求来进行调整；当调整LSTM层的数量时，根据问题复杂性增减层数，复杂问题增加层数；
在训练期间监控模型的性能指标，以便及时发现过拟合或欠拟合情况，并进行调整。
8.根据权利要求5所述的一种空间碎片轨道预报方法，其特征在于，利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值，具体包括：
利用训练好的线性回归模型获取所述目标空间碎片在目标时刻的升交点赤经、近地点角距以及平近点角的预测值；
利用训练好的LSTM模型获取所述目标空间碎片在目标时刻的偏心率、轨道倾角、平运动以及B*阻力项的预测值。
9.一种空间碎片轨道预报系统，其特征在于，所述系统包括：
数据获取模块，用于获取目标空间碎片的历史TLE数据集；
数据处理模块，用于对所述TLE数据集中的轨道参数数据进行预处理，并将预处理得到的数据集划分为训练集和测试集；
模型训练模块，用于根据所述训练集和测试集对LSTM模型进行训练和测试，得到空间碎片轨道预测模型；
轨道预测模块，用于利用所述空间碎片轨道预测模型获取所述目标空间碎片在目标时刻的TLE数据预测值。
10.一种电子设备，其特征在于，所述设备包括：处理器和存储器；
所述存储器用于存储一个或多个程序指令；
所述处理器，用于运行一个或多个程序指令，用以执行如权利要求1至8任一项所述的一种空间碎片轨道预报方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311212584.4A CN117273217A (zh) | 2023-09-19 | 2023-09-19 | 一种空间碎片轨道预报方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311212584.4A CN117273217A (zh) | 2023-09-19 | 2023-09-19 | 一种空间碎片轨道预报方法、系统及电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117273217A true CN117273217A (zh) | 2023-12-22 |
Family
ID=89217187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311212584.4A Pending CN117273217A (zh) | 2023-09-19 | 2023-09-19 | 一种空间碎片轨道预报方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117273217A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743275A (zh) * | 2024-02-19 | 2024-03-22 | 天津云遥宇航科技有限公司 | 基于sgp4预报模型的掩星轨道数据应用系统及其方法 |
-
2023
- 2023-09-19 CN CN202311212584.4A patent/CN117273217A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117743275A (zh) * | 2024-02-19 | 2024-03-22 | 天津云遥宇航科技有限公司 | 基于sgp4预报模型的掩星轨道数据应用系统及其方法 |
| CN117743275B (zh) * | 2024-02-19 | 2024-05-28 | 天津云遥宇航科技有限公司 | 基于sgp4预报模型的掩星轨道数据应用系统的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
| Zaytar et al. | Sequence to sequence weather forecasting with long short-term memory recurrent neural networks | |
| Wang et al. | Neural machine-based forecasting of chaotic dynamics | |
| CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
| US20190286970A1 (en) | Representations of units in neural networks | |
| CN117273217A (zh) | 一种空间碎片轨道预报方法、系统及电子设备 | |
| CN115545334B (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
| Bohan et al. | Traffic flow prediction based on BRNN | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| Li et al. | Tailings pond risk prediction using long short-term memory networks | |
| CN116562414A (zh) | 一种基于多源水文气象数据的陆地水储量变化预测方法 | |
| Wang et al. | Practical options for adopting recurrent neural network and its variants on remaining useful life prediction | |
| CN116502777B (zh) | 一种基于Transformer的四维航迹长时预测方法及其装置 | |
| Lu et al. | An efficient bayesian method for advancing the application of deep learning in earth science | |
| Naik et al. | Indian monsoon rainfall classification and prediction using robust back propagation artificial neural network | |
| CN116822722A (zh) | 水位预测方法、系统、装置、电子设备及介质 | |
| CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN116910534A (zh) | 一种不同海域海洋环境要素时空智能预测方法和装置 | |
| CN108960406B (zh) | 一种基于bfo小波神经网络的mems陀螺随机误差预测方法 | |
| Doudkin et al. | Ensembles of neural network for telemetry multivariate time series forecasting | |
| Gulgec et al. | Innovative sensing by using deep learning framework | |
| US20240119265A1 (en) | Koopman Neural Forecaster for Time Series with Temporal Distribution Shifts | |
| CN112330073B (zh) | 长距离调水工程监测数据关键效应量预测方法 |
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 |