CN117542462A - 一种实测数据驱动的空间目标光学散射特性模拟方法 - Google Patents

一种实测数据驱动的空间目标光学散射特性模拟方法 Download PDF

Info

Publication number
CN117542462A
CN117542462A CN202410034238.XA CN202410034238A CN117542462A CN 117542462 A CN117542462 A CN 117542462A CN 202410034238 A CN202410034238 A CN 202410034238A CN 117542462 A CN117542462 A CN 117542462A
Authority
CN
China
Prior art keywords
angle
target
measured data
optical scattering
neural network
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
CN202410034238.XA
Other languages
English (en)
Other versions
CN117542462B (zh
Inventor
徐灿
方宇强
陶雪峰
汤晨晓
张宇婷
朱沁雨
赵国辉
陶海成
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.)
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Original Assignee
Peoples Liberation Army Strategic Support Force Aerospace Engineering University
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 Peoples Liberation Army Strategic Support Force Aerospace Engineering University filed Critical Peoples Liberation Army Strategic Support Force Aerospace Engineering University
Priority to CN202410034238.XA priority Critical patent/CN117542462B/zh
Publication of CN117542462A publication Critical patent/CN117542462A/zh
Application granted granted Critical
Publication of CN117542462B publication Critical patent/CN117542462B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/26—Composites

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本申请涉及一种实测数据驱动的空间目标光学散射特性模拟方法。所述方法包括：获取空间目标的实测数据并进行预处理，根据预处理后的实测数据计算空间目标的光学散射特性参量；将光学散射特性参量输入预先构建的深度神经网络模型进行星等预测，并将输出的星等预测值与实测数据中观测星等之间的误差作为修正参数对深度神经网络模型的参数进行训练优化，直至训练得到满足拟合精度要求的最优深度神经网络模型；将待预测的空间目标对应的光学散射特性参量输入最优深度神经网络模型，并根据输出的星等预测结果绘制该空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟。采用本方法能够提高空间目标亮度预测的精度。

Description

一种实测数据驱动的空间目标光学散射特性模拟方法
技术领域
本申请涉及光学散射特性模拟技术领域，特别是涉及一种实测数据驱动的空间目标光学散射特性模拟方法。
背景技术
空间目标光学散射特性通常用星等来描述，星等是衡量天体光度的量，星等值越小表示亮度越亮，星等值越大表示亮度越暗。空间目标光照条件极为特殊，其光源只有太阳一个，目标散射光进入探测器视场，探测器测量目标和标准恒星的亮度情况，由于标准恒星的亮度已知，可以进一步获取空间目标的亮度数据。
目前，国内外通常采用基于双向反射分布函数(BRDF)的光学横截面积()这一参数来表征目标的可见光散射特性。/>能够全面反映目标表面材料及其几何结构、形状等因素对目标可见光和激光散射特性的影响。根据目标/>的变化规律，能够推算出目标在轨运动状态、结构、材料等信息，从而为目标的识别、监视提供依据。
目前已有的方法为空间目标光学散射特性模拟的正向流程，通过分析光学散射特性亮度的基本原理和数值模拟过程，传统的正向流程方法在模拟光学散射过程中的主要流程如下：1）构建目标的三维模型。基于光学望远镜或高分辨率雷达获取的空间目标图像，构建目标的三维模型；2）确定在空间目标本体坐标系下，入射的方位角、俯仰角和反射的方位角和俯仰角，结合目标的三维模型，确定目标各个面元所对应的角度信息；3）调整目标姿态、目标各个部件、不同侧面（面元）的材质反射率（或BRDF），重新计算目标亮度，将计算结果与实际测量结果进行对比；4）根据对比结果，反复调整以上变量，直至误差满足要求。
然而，在空间目标光学散射特性模拟的正向流程中，由于大气湍流的影响和目标的非合作运动，空间目标的光学图像和雷达图像都存在成像质量不高的问题，从而导致空间目标显示不清、显示不全、表面材料及细节无法准确复现，对于未知目标的三维重构就会存在尺寸、结构的误差，甚至会遗漏目标部件。模型误差无法避免的基础上，无论如何调整模型各个侧面的反射率参数及其组合，都无法实现与实际模型一致，这也就引起了星等值计算结果的误差。如图1中所示的观测模型，对于一个观测角度1下的，当前可见的部件和侧面有多个，通过调整这个角度下的侧面可以实现较好模拟精度，但如果与实际不符，那么在观测角度2下就会引起较大误差。
因此，现有的空间目标光学散射特性模拟方法对于已知目标而言，正向流程构建的三维模型计算得到的星等值误差较大；对于未知的目标而言，构建三维模型所需的参数量均未知，难以通过该方法得到星等预测结果。
发明内容
基于此，有必要针对上述技术问题，提供一种能够克服利用正向流程构建三维模型计算星等值误差较大、对于未知的目标难以构建三维模型得到星等预测结果等缺点的一种实测数据驱动的空间目标光学散射特性模拟方法，从而提高空间目标散射特性的模拟精度和亮度预测的准确度。
一种实测数据驱动的空间目标光学散射特性模拟方法，所述方法包括：
获取空间目标的实测数据并进行预处理，根据预处理后的实测数据计算空间目标对应的光学散射特性参量；其中，光学散射特性参量包括太阳的方位角和俯仰角构成的向量在目标本体坐标系下三个分量、探测器的方位角和俯仰角构成的向量在目标本体坐标系下三个分量、以及太阳单位矢量与探测器单位矢量之间的夹角；
将光学散射特性参量输入预先构建的深度神经网络模型进行星等预测，并将输出的星等预测值与实测数据中的观测星等之间的误差作为修正参数，根据修正参数对深度神经网络模型的参数进行训练优化，直至训练得到满足拟合精度要求的最优深度神经网络模型；
将待预测的空间目标对应的光学散射特性参量输入最优深度神经网络模型进行星等预测，并根据输出的星等预测结果绘制该空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟。
在其中一个实施例中，获取空间目标的实测数据并进行预处理，包括：
通过探测器获取空间目标的实测数据；其中，实测数据包括目标编号、探测器坐标、观测星等、观测角度、观测距离以及观测时间；
将观测距离归一化为300km，将观测角度转换为向量进行计算，并采用数理统计方法，剔除实测数据中的噪声和野值，得到预处理后的实测数据。
在其中一个实施例中，当将观测距离归一化为300km后，空间目标的观测星等表示为
；
其中，为归一化处理后的观测星等，/>为未归一化处理的观测星等，/>为观测距离。
在其中一个实施例中，根据预处理后的实测数据计算空间目标对应的光学散射特性参量，表示为；其中，/>为太阳的方位角和俯仰角构成的向量/>在目标本体坐标系下的三个分量，/>为探测器的方位角和俯仰角构成的向量/>在目标本体坐标系下的三个分量，/>为太阳单位矢量与探测器单位矢量之间的夹角，也称相位角，/>为实测数据的点数且/>，其中/>为实测数据的总点数，/>，/>，/>分别表示目标本体坐标系的横轴、纵轴和竖轴。
在其中一个实施例中，在获取空间目标的实测数据之后，还包括：
根据实测数据中的观测角度构建角度序列，根据角度序列计算空间目标的角度覆盖率，并通过角度覆盖率判断探测器观测获取空间目标的实测数据是否有效。
在其中一个实施例中，根据实测数据中的观测角度构建角度序列，根据角度序列计算空间目标的角度覆盖率，包括：
根据实测数据中的观测角度构建角度序列，表示为；其中，/>为第/>个观测方位角，/>为观测方位角的数量且/>，/>为第/>个观测高低角，/>为观测高低角的数量且/>；
将实测数据中各点在目标本体坐标系下的单位矢量记为且，将根据太阳在目标本体坐标系下的方位角和俯仰角所确定的向量记为/>且/>，将根据探测器在目标本体坐标系下的方位角和俯仰角所确定的向量记为/>且/>；其中，/>为太阳单位矢量与探测器单位矢量之间的夹角，/>为观测方位角，/>为观测高低角，/>表示太阳相对于空间目标的俯仰角；
遍历所有，并计算/>与/>的夹角/>以及/>与/>的夹角/>，当/>小于或等于90°且/>小于90°时，设置/>，直至实测数据中所有点对应的/>遍历完全，结束遍历并输出角度序列/>的最终值；
根据角度序列的最终值进行计算，获取空间目标的角度覆盖率，表示为；
其中，为实测数据的总点数。
在其中一个实施例中，与/>的夹角/>以及/>与/>的夹角/>，分别表示为：
；
。
在其中一个实施例中，深度神经网络模型为双层前馈神经网络模型，双层前馈神经网络模型中的隐藏层采用S型生长曲线函数作为激活函数，输出层采用一个线性函数作为传递函数，并设置第一层隐藏层的神经元数量为30，第二层输出层的神经元数量为15，作为初始训练网络参数。
在其中一个实施例中，在训练双层前馈神经网络模型时，采用量化的共轭梯度优化方法进行求解，并采用最小均方误差作为优化特征量。
在其中一个实施例中，将待预测的空间目标对应的光学散射特性参量输入最优深度神经网络模型进行星等预测，并根据输出的星等预测结果绘制该空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟，包括：
将待预测的空间目标对应的光学散射特性参量输入最优深度神经网络模型进行星等预测，并设置星等预测的起始时间和终止时间，得到星等预测结果；
选择轨道文件并计算光学可见性时间窗口，选取某一光学可见性时间窗口，并设置探测器探测能力的阈值之后，根据星等预测结果绘制对应空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟。
上述一种实测数据驱动的空间目标光学散射特性模拟方法，相比于传统的利用正向流程构建目标三维模型进行星等值计算的方法，具备以下技术效果：
1、本申请基于海量的实测数据计算空间目标对应的光学散射特性参量，并将通过光学散射特性参量输入深度神经网络模型进行训练，得到训练好的神经网络模型来进行空间目标的星等预测，克服了采用传统方法计算星等值误差较大且对于未知目标难以构建三维模型进行星等预测的缺点，星等预测精度显著提升。
2、本申请在计算深度神经网络模型的输入参量时，通过计算获取空间目标对应的光学散射特性参量中太阳的方位角和俯仰角构成的向量在目标本体坐标系下三个分量，以及探测器的方位角和俯仰角构成的向量在目标本体坐标系下三个分量，来代替方位角和俯仰角，克服了当角度为0°或360°时，星等预测值存在陡升陡降的问题，同时，网络的输入参量也由4个角度变量增加到6个向量变量和一个角度值，网络预测精度明显提升。
附图说明
图1为一个实施例中观测模型示意图；
图2为一个实施例中OCS各变量示意图；
图3为一个实施例中实测数据驱动的空间目标光学散射特性模拟方法的流程示意图；
图4为一个实施例中计算空间目标的角度覆盖率时，遍历的流程示意图；
图5为一个实施例中深度神经网络模型的训练流程示意图。
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。
目标仅与目标表面材料种类、外形结构和尺寸以及太阳光入射方向和观测接收方向有关，可以反映目标本身对光的散射特性。对空间目标光学观测而言，目标的亮度通常用星等来表示，星等又可以由目标的/>值推算得到，因此，在光照强度近似相同的近地空间，空间目标的/>也成为衡量目标亮度的关键属性。/>定义式为：
；
式中：为点目标的BRDF；/>为某面元的面积；/>为入射天顶角，即/>的单位法向矢量/>与/>至太阳的单位矢量/>之间的夹角；/>为反射天顶角，即/>与/>至探测器的单位矢量/>之间的夹角；/>为观测方位角，即S与/>在面元上的投影/>与/>的夹角。OCS各变量定义如图2所示，其中S与/>之间的夹角为相位角/>，/>、/>、/>分别为面元顶点位置矢量。
在计算获取目标的OCS后，根据目标到探测器的距离R，即可计算获取目标的观测星等，表示为
；
根据目标光学散射特性的计算原理可以看出，在距离已知的条件下，想要计算目标的星等，需要明确空间目标各个面元的材质BRDF、探测角度()及可见面元的详细信息，对于未知的空间目标，以上变量无法有效确认。
通过分析光学散射特性亮度的基本原理和数值模拟过程，传统的正向方法在模拟光学散射过程中主要调整内容可以概括为两条：
（1）在指定照射角度和观测角度下，哪些部件可以被看到；
（2）调整可见部件各自的反射率。
通过以上调整，使目标的光学散射特性逼近真实值。部件可进一步细化为面元，如果将面元视为神经元，将面元的反射率视为神经元的系数，在特定探测角度的约束下（四个角度），调整优化可见神经元及其系数，形成亮度数据，并与实际亮度数据进行对比，目标是实现模拟的亮度数据与实际亮度数据的高度一致，这一过程与深度神经网络的训练是一致的。
基于此，在一个实施例中，如图3所示，提供了一种实测数据驱动的空间目标光学散射特性模拟方法，包括以下步骤：
步骤S1，获取空间目标的实测数据并进行预处理，根据预处理后的实测数据计算空间目标对应的光学散射特性参量；其中，光学散射特性参量包括太阳的方位角和俯仰角构成的向量在目标本体坐标系下三个分量、探测器的方位角和俯仰角构成的向量在目标本体坐标系下三个分量、以及太阳单位矢量与探测器单位矢量之间的夹角。
步骤S2，将光学散射特性参量输入预先构建的深度神经网络模型进行星等预测，并将输出的星等预测值与实测数据中的观测星等之间的误差作为修正参数，根据修正参数对深度神经网络模型的参数进行训练优化，直至训练得到满足拟合精度要求的最优深度神经网络模型。
步骤S3，将待预测的空间目标对应的光学散射特性参量输入最优深度神经网络模型进行星等预测，并根据输出的星等预测结果绘制该空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟。
在其中一个实施例中，获取空间目标的实测数据并进行预处理，包括：
通过探测器获取空间目标的实测数据；其中，实测数据包括目标编号、探测器坐标、观测星等、观测角度、观测距离以及观测时间；将观测距离归一化为300km，将观测角度转换为向量进行计算，并采用数理统计方法，剔除实测数据中的噪声和野值，得到预处理后的实测数据。其中，野值是指由于输入特定参数或输入错误引起的错误数据。
在其中一个实施例中，当将观测距离归一化为300km后，空间目标的观测星等表示为
；
其中，为归一化处理后的观测星等，/>为未归一化处理的观测星等，/>为观测距离。
可以理解，由于在探测过程中，空间目标到探测器的距离（即观测距离）将会出现较大的变化，此时需要统一到一个距离上，如300km，这样就减少了对目标散射特性进行训练时的变量维度。
在其中一个实施例中，根据预处理后的实测数据计算空间目标对应的光学散射特性参量，表示为；其中，/>为太阳的方位角和俯仰角构成的向量/>在目标本体坐标系下的三个分量，/>为探测器的方位角和俯仰角构成的向量在目标本体坐标系下的三个分量，/>为太阳单位矢量与探测器单位矢量之间的夹角，也称相位角，/>为实测数据的点数且/>，其中/>为实测数据的总点数，/>，/>，/>分别表示目标本体坐标系的横轴、纵轴和竖轴。
在其中一个实施例中，在获取空间目标的实测数据之后，还包括：
根据实测数据中的观测角度构建角度序列，根据角度序列计算空间目标的角度覆盖率，并通过角度覆盖率判断探测器观测获取空间目标的实测数据是否有效。
在其中一个实施例中，根据实测数据中的观测角度构建角度序列，根据角度序列计算空间目标的角度覆盖率，包括：
根据实测数据中的观测角度构建角度序列，表示为；其中，为第/>个观测方位角，/>为观测方位角的数量且/>，对应角度序列0°、2°、...、358°；/>为第/>个观测高低角，/>为观测高低角的数量且/>，对应角度序列-90°、-88°、...、0°、...、88°、90°；
将实测数据中各点在目标本体坐标系下的单位矢量记为且，将根据太阳在目标本体坐标系下的方位角和俯仰角所确定的向量记为/>且/>，将根据探测器在目标本体坐标系下的方位角和俯仰角所确定的向量记为/>且；其中，/>为太阳单位矢量与探测器单位矢量之间的夹角，/>为观测方位角，/>为观测高低角，/>表示太阳相对于空间目标的俯仰角；
计算空间目标的角度覆盖率时，遍历的流程如图4所示，首先，遍历所有/>，并计算/>与/>的夹角/>以及/>与/>的夹角/>，当/>小于或等于 90°且/>小于90°时，设置/>，直至实测数据中所有点对应的/>遍历完全，结束遍历并输出角度序列/>的最终值/>；其中，计算/>与/>的夹角是为了判断/>是否被太阳光照射，计算与/>的夹角/>是为了判断/>是否被本次观测所观测到；
根据角度序列的最终值进行计算，获取空间目标的角度覆盖率，表示为；
其中，为实测数据的总点数。
在其中一个实施例中，与/>的夹角/>以及/>与/>的夹角/>，分别表示为：
；
。
在其中一个实施例中，深度神经网络模型为双层前馈神经网络模型，双层前馈神经网络模型中的隐藏层采用S型生长曲线函数（Sigmoid函数）作为激活函数，输出层采用一个线性函数作为传递函数，并设置第一层隐藏层的神经元数量为30，第二层输出层的神经元数量为15，作为初始训练网络参数。
在其中一个实施例中，在训练双层前馈神经网络模型时，采用量化的共轭梯度优化方法进行求解，并采用最小均方误差作为优化特征量。网络模型训练的流程如图5所示，将空间目标对应的7维参量输入预先构建的深度神经网络模型进行星等预测，获取输出的星等预测值，并将星等预测值与实测数据中归一化处理后的观测星等之间的误差作为修正参数，根据修正参数对深度神经网络模型的参数进行训练优化，直至训练得到满足拟合精度要求的最优深度神经网络模型。具体地，在进行网络模型的训练时，每一组光学散射特性参量数据作为输入的一个样本值，用于训练和测试，训练集为全部样本数据的80%，测试集为20%。
在其中一个实施例中，将待预测的空间目标对应的光学散射特性参量输入最优深度神经网络模型进行星等预测，并根据输出的星等预测结果绘制该空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟，包括：
将待预测的空间目标对应的光学散射特性参量输入最优深度神经网络模型进行星等预测，并设置星等预测的起始时间和终止时间，得到星等预测结果；
选择轨道文件并计算光学可见性时间窗口，选取某一光学可见性时间窗口，并设置探测器探测能力的阈值（即星等值上限）之后，根据星等预测结果绘制对应空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟。进一步地，在绘制对应空间目标的亮度预测曲线之后，还可以将亮度预测曲线与实际曲线进行对比，结合拟合效果，对模型精度进行检验。本申请利用了空间目标运动仿真软件进行目标时间窗口模拟，通过300次模拟验证，证明了本申请训练优化得到的模型的精度明显提升。
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本申请范围的限制。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，本申请的保护范围应以所附权利要求为准。

Claims (10)

1.一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，所述方法包括：
获取空间目标的实测数据并进行预处理，根据预处理后的实测数据计算空间目标对应的光学散射特性参量；其中，所述光学散射特性参量包括太阳的方位角和俯仰角构成的向量在目标本体坐标系下三个分量、探测器的方位角和俯仰角构成的向量在目标本体坐标系下三个分量、以及太阳单位矢量与探测器单位矢量之间的夹角；
将所述光学散射特性参量输入预先构建的深度神经网络模型进行星等预测，并将输出的星等预测值与所述实测数据中的观测星等之间的误差作为修正参数，根据所述修正参数对所述深度神经网络模型的参数进行训练优化，直至训练得到满足拟合精度要求的最优深度神经网络模型；
将待预测的空间目标对应的光学散射特性参量输入所述最优深度神经网络模型进行星等预测，并根据输出的星等预测结果绘制该空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟。
2.根据权利要求1所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，获取空间目标的实测数据并进行预处理，包括：
通过探测器获取空间目标的实测数据；其中，所述实测数据包括目标编号、探测器坐标、观测星等、观测角度、观测距离以及观测时间；
将所述观测距离归一化为300km，将所述观测角度转换为向量进行计算，并采用数理统计方法，剔除所述实测数据中的噪声和野值，得到预处理后的实测数据。
3.根据权利要求2所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，当将观测距离归一化为300km后，空间目标的观测星等表示为
；
其中，为归一化处理后的观测星等，/>为未归一化处理的观测星等，/>为观测距离。
4.根据权利要求1所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，根据预处理后的实测数据计算空间目标对应的光学散射特性参量，表示为；其中，/>为太阳的方位角和俯仰角构成的向量/>在目标本体坐标系下的三个分量，/>为探测器的方位角和俯仰角构成的向量/>在目标本体坐标系下的三个分量，/>为太阳单位矢量与探测器单位矢量之间的夹角，也称相位角，/>为实测数据的点数且/>，其中/>为实测数据的总点数，/>，/>，/>分别表示目标本体坐标系的横轴、纵轴和竖轴。
5.根据权利要求1所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，在获取空间目标的实测数据之后，还包括：
根据所述实测数据中的观测角度构建角度序列，根据所述角度序列计算空间目标的角度覆盖率，并通过角度覆盖率判断探测器观测获取空间目标的实测数据是否有效。
6.根据权利要求5所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，根据所述实测数据中的观测角度构建角度序列，根据所述角度序列计算空间目标的角度覆盖率，包括：
根据实测数据中的观测角度构建角度序列，表示为；其中，/>为第/>个观测方位角，/>为观测方位角的数量且/>，/>为第/>个观测高低角，/>为观测高低角的数量且/>；
将实测数据中各点在目标本体坐标系下的单位矢量记为且，将根据太阳在目标本体坐标系下的方位角和俯仰角所确定的向量记为/>且/>，将根据探测器在目标本体坐标系下的方位角和俯仰角所确定的向量记为/>且 />；其中，/>为太阳单位矢量与探测器单位矢量之间的夹角，/>为观测方位角，/>为观测高低角，/>表示太阳相对于空间目标的俯仰角；
遍历所有，并计算/>与/>的夹角/>以及/>与/>的夹角/>，当所述/>小于或等于 90°且所述/>小于90°时，设置/>，直至实测数据中所有点对应的/>遍历完全，结束遍历并输出角度序列/>的最终值；
根据角度序列的最终值进行计算，获取空间目标的角度覆盖率，表示为
；
其中，为实测数据的总点数。
7.根据权利要求6所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，所述与/>的夹角/>以及/>与/>的夹角/>，分别表示为：
；
。
8.根据权利要求1所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，所述深度神经网络模型为双层前馈神经网络模型，所述双层前馈神经网络模型中的隐藏层采用S型生长曲线函数作为激活函数，输出层采用一个线性函数作为传递函数，并设置第一层隐藏层的神经元数量为30，第二层输出层的神经元数量为15，作为初始训练网络参数。
9.根据权利要求8所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，在训练所述双层前馈神经网络模型时，采用量化的共轭梯度优化方法进行求解，并采用最小均方误差作为优化特征量。
10.根据权利要求1所述的一种实测数据驱动的空间目标光学散射特性模拟方法，其特征在于，将待预测的空间目标对应的光学散射特性参量输入所述最优深度神经网络模型进行星等预测，并根据输出的星等预测结果绘制该空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟，包括：
将待预测的空间目标对应的光学散射特性参量输入所述最优深度神经网络模型进行星等预测，并设置星等预测的起始时间和终止时间，得到星等预测结果；
选择轨道文件并计算光学可见性时间窗口，选取某一光学可见性时间窗口，并设置探测器探测能力的阈值之后，根据所述星等预测结果绘制对应空间目标的亮度预测曲线，完成空间目标光学散射特性的模拟。
CN202410034238.XA 2024-01-10 2024-01-10 一种实测数据驱动的空间目标光学散射特性模拟方法 Active CN117542462B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410034238.XA CN117542462B (zh) 2024-01-10 2024-01-10 一种实测数据驱动的空间目标光学散射特性模拟方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410034238.XA CN117542462B (zh) 2024-01-10 2024-01-10 一种实测数据驱动的空间目标光学散射特性模拟方法

Publications (2)

Publication Number Publication Date
CN117542462A true CN117542462A (zh) 2024-02-09
CN117542462B CN117542462B (zh) 2024-03-22

Family

ID=89786584

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410034238.XA Active CN117542462B (zh) 2024-01-10 2024-01-10 一种实测数据驱动的空间目标光学散射特性模拟方法

Country Status (1)

Country Link
CN (1) CN117542462B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913148A (zh) * 2014-03-26 2014-07-09 中国科学院长春光学精密机械与物理研究所 航天tdiccd相机全链路数值仿真方法
CN109492347A (zh) * 2019-01-22 2019-03-19 中国人民解放军战略支援部队航天工程大学 一种三要素模型描述空间目标光学散射特性的方法
CN110415301A (zh) * 2019-08-08 2019-11-05 太原理工大学 一种基于嵌入式设备的天文暂现源实时预警方法
JPWO2019138637A1 (ja) * 2018-01-10 2020-12-24 コニカミノルタプラネタリウム株式会社 プラネタリウム制御装置、プラネタリウムシステムおよびプラネタリウム制御装置の制御プログラム
CN115499074A (zh) * 2022-08-24 2022-12-20 北京邮电大学 一种基于神经网络的太赫兹散射参数预测方法及装置
CN117372877A (zh) * 2023-11-22 2024-01-09 深圳大学 一种基于神经网络的星图识别方法、装置及相关介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103913148A (zh) * 2014-03-26 2014-07-09 中国科学院长春光学精密机械与物理研究所 航天tdiccd相机全链路数值仿真方法
JPWO2019138637A1 (ja) * 2018-01-10 2020-12-24 コニカミノルタプラネタリウム株式会社 プラネタリウム制御装置、プラネタリウムシステムおよびプラネタリウム制御装置の制御プログラム
CN109492347A (zh) * 2019-01-22 2019-03-19 中国人民解放军战略支援部队航天工程大学 一种三要素模型描述空间目标光学散射特性的方法
CN110415301A (zh) * 2019-08-08 2019-11-05 太原理工大学 一种基于嵌入式设备的天文暂现源实时预警方法
CN115499074A (zh) * 2022-08-24 2022-12-20 北京邮电大学 一种基于神经网络的太赫兹散射参数预测方法及装置
CN117372877A (zh) * 2023-11-22 2024-01-09 深圳大学 一种基于神经网络的星图识别方法、装置及相关介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
潘海斌;丛明煜;张伟;李克新;孟祥龙;程军;: "航天遥感器的空间目标成像模型研究", 哈尔滨工业大学学报, no. 11, 15 November 2008 (2008-11-15), pages 1699 *
胡淼;徐国蕊;张慧;黄前锋;张飞;邓晶;刘晨曦;: "地球同步轨道立方体目标的视星等测算", 光电工程, no. 06, 15 June 2013 (2013-06-15), pages 6 *
赵君亮: "MAXIMUM LIKELIHOOD ESTIMATION OF THE ABSOLUTE MAGNITUDES OF RR LYRAE VARIABLES", SCIENCE IN CHINA, SER.A, no. 06, pages 734 *

Also Published As

Publication number Publication date
CN117542462B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
Yang et al. Three-dimensional measurement of precise shaft parts based on line structured light and deep learning
US9325966B2 (en) Depth measurement using multispectral binary coded projection and multispectral image capture
KR20170023023A (ko) 등방성 양방향 반사도 분포 함수들을 위한 비-파라메트릭 마이크로패싯 인자 모델들
Ward et al. Reducing Anisotropic BSDF Measurement to Common Practice.
CN105247595A (zh) 用于产生测量对象的至少一个虚拟图像的方法和设备
Lensch et al. Planned sampling of spatially varying BRDFs
Minnetti et al. Smart portable laser triangulation system for assessing gap and flush in car body assembly line
CN108318458B (zh) 一种适用于不同天气条件下的室外典型地物pBRDF的测量方法
CN108230286B (zh) 环境和时段因素对目标红外可探测性的影响快速分析方法
CN116385520A (zh) 融合全光源图像的磨损表面形貌光度立体重建方法及系统
Li et al. LiDAR intensity correction for road marking detection
Wang et al. In-situ 3D reconstruction of worn surface topography via optimized photometric stereo
Mohammadikaji Simulation-based planning of machine vision inspection systems with an application to laser triangulation
Frangez et al. Surface finish classification using depth camera data
CN117542462B (zh) 一种实测数据驱动的空间目标光学散射特性模拟方法
Dong et al. Illumination variation robust circular target based on digital image correlation method
Sheng et al. Measurement and modeling of reflection characteristics of hole inner surface based on endoscopic image
Piros et al. Error handling method for digital twin-based plasma radiation detection
Ogando-Martínez et al. Ellipsoid-based approximation method for the estimation of the actual reduced luminance coefficients of road surfaces for accurate lighting simulations
CN117058106A (zh) 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法
CN110807768A (zh) 一种基于mtf的遥感图像质量评价方法
CN116468921A (zh) 复杂对抗环境下光学影像识别匹配、验证与评估方法
CN116381650A (zh) 一种激光雷达点云位置和强度仿真模拟及测试方法
CN111860328B (zh) 一种基于双向反射函数和森林场景光照效果建模的生物量估算方法
CN115690598A (zh) 基于卫星数据和随机森林模型室外环境温度遥感反演方法

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