技术新讯 > 航空航天装置制造技术 > 基于LSTM的空间目标轨道误差预测方法及系统  >  正文

基于LSTM的空间目标轨道误差预测方法及系统

  • 国知局
  • 2024-08-01 06:17:12

本发明涉及空间态势感知以及卫星自主碰撞规避,具体地,涉及一种基于lstm(长短时记忆神经网络)的空间目标轨道误差预测方法及系统,同时涉及一种相应的计算机终端和计算机可读存储介质。

背景技术:

1、空间碎片逐渐开始影响并威胁人类空间活动是不可避免的问题。一个大小在厘米尺度的空间碎片看似不起眼,但已足够摧毁整颗卫星。目前关于空间碎片具体的应对措施主要集中在4个方面:监测和预警、碰撞规避和防护、离轨和弃置策略以及主动清除。轨道预测状态及其误差(或精度)信息作为空间态势感知的基础信息,是上述策略成功进行的前提与保障。但由于空间碎片观测数据稀疏且精度有限,目前预报模型精度不高,难以满足实际应用。故有必要对空间碎片轨道预测算法进行研究,为未来航天器在空间碎片环境下的安全运行做好准备。

2、目前空间目标轨道预测主流基于物理方法,其解算包括数值法与解析法,但是通常包括如下两方面的问题:

3、1、物理模型构建不易:空间目标轨道状态受到多种摄动力的影响,主要有地球中心引力、地球非球形部分摄动、太阳引力摄动、月球引力摄动、大气阻力摄动和太阳辐射摄动力等,并不是所有力都有明晰的物理表达式,比如其中对低轨目标影响较大的大气阻力模型多采用经验模型计算而非物理建模。除外部环境建模不易,空间碎片自身参数如面质比等物理性质也难以获取,会影响到物理建模的精确度。

4、2、物理模型的解算难以平衡复杂度与精度:其中数值法相对精度较高,但对算力需求大,而解析法虽然对算力需求不大,但精度较低。目前最广泛应用的是北美防空司令部(norad)建立的基于两条根轨道数(tle)的sgp4模型。该模型对摄动中不同性质的项进行区分,去掉了周期项的干扰,只保留了长期变化项。norad每天会更新网站上的上万条公开碎片tle轨道数据,尽管数据量很丰富,这是一种解析模型,预测精度难以满足实际情况下卫星碰撞规避的要求。

技术实现思路

1、本发明针对现有技术中存在的上述不足,提供了一种基于lstm(长短时记忆神经网络)的空间目标轨道误差预测方法及系统,同时提供了一种相应的计算机终端和计算机可读存储介质。

2、根据本发明的一个方面,提供了一种基于lstm的空间目标轨道误差预测方法,包括:

3、获取卫星精密星历数据、tle数据以及sgp4预测轨道数据,构建数据集;

4、提供一长短时记忆网络模型,对所述长短时记忆网络模型进行网络结构调试和网络超参数设置,得到初始预测模型;

5、利用所述数据集对所述初始预测模型进行训练,得到最终的误差预测模型;

6、利用所述误差预测模型对空间目标轨道误差进行预测。

7、优选地,所述获取卫星精密星历数据、tle数据以及sgp4预测轨道数据,构建数据集,包括:

8、获取卫星精密星历数据,作为真实轨道数据;

9、获取tle数据,并基于所述tle数据通过仿真的方式,得到与所述真实轨道数据相同时刻同等步长的sgp4预测轨道数据;

10、将所述sgp4预测轨道数据转换至惯性坐标系与utc时间系统;

11、对得到的所有数据进行预处理,包括时间序列查缺查重、波动超过设定阈值的异常值检测;

12、对预处理后的所有数据进行归一化处理,构建数据集。

13、优选地,所述提供一长短时记忆网络模型,对所述长短时记忆网络模型进行网络结构调试和网络超参数设置,得到初始预测模型,包括:

14、提供一长短时记忆网络模型,所述长短时记忆网络模型包括两个传递单元ct和ht;对于两个传递单元,包括:输入序列(x1,x2,x3,……,xt),隐藏层输出序列(h1,h2,h3,……,ht),记忆单元输出序列(c1,c2,c3,……,ct)和输出层输出序列(y1,y2,y3,……,yt);

15、对于某一时刻的神经元,包括三个输入和两个输出;其中,三个输入包括:当前时刻的输入值xt,上一时刻的隐藏层输出值ht-1以及上一时刻的记忆单元输出值ct-1;两个输出包括:当前时刻的隐藏层输出值ht和当前时刻的记忆单元输出值ct;

16、设定所述长短时记忆网络模型的激活函数以及逻辑门;其中,所述激活函数包括:σ激活函数和tanh激活函数;其中,所述σ激活函数为:所述tanh激活函数为:所述逻辑门包括:遗忘门、输入门和输出门;

17、设置所述长短时记忆网络模型的超参数,包括:初始学习率、迭代次数、激活函数、优化器、批次大小以及正则化参数;

18、得到初始预测模型。

19、优选地,所述利用所述训练集对所述初始预测模型进行训练,得到最终的误差预测模型,包括:

20、m1,初始化所述初始预测模型,设定初始偏置,包括:输入门偏置bi、输出门偏置bo、遗忘门偏置bf、隐藏层偏置bh和记忆单元偏置bc;

21、m2,所述遗忘门的输入为上一时刻的隐藏层输出值ht-1与输入值xt,其中所述输入值xt为轨道误差序列,通过sigmoid激活函数得到所述遗忘门的输出ft,该输出ft用于表示遗忘上一层隐藏细胞状态的概率,则:

22、ft=σ(ufxt+wfht-1+bf)

23、其中,uf、wf表示遗忘门输入与隐藏层的权重,bf为遗忘门偏置,σ为sigmoid函数;

24、m3,所述输入门的输入为上一时刻的隐藏层输出值ht-1与当前时刻的输入值xt,分别通过sigmoid激活函数和tanh激活函数得到所述输入门的输出it与c′t,该输出it与c′t共同决定细胞状态更新,则:

25、it=σ(uixt+wiht-1+bi)

26、c′t=tanh(ucxt+wcht-1+bc)

27、其中,ui、wi、uc、wc分别表示相应输入的权重,bi为输入门偏置,bc为记忆单元偏置;

28、m4,根据上一时刻细胞状态ct-1、当前时刻遗忘门的输出ft以及当前时刻输入门的输出it与c′t更新当前细胞状态ct,则:

29、

30、其中,表示乘算;

31、m5,所述输出门的输入为上一时刻的隐藏层输出值ht-1与当前时刻的输入值xt,通过sigmoid激活函数得到所述输出门的输出ot,再与当前细胞状态ct相乘通过tanh激活函数得到当前时刻的隐藏层输出值ht,则:

32、ot=σ(uoxt+woht-1+bo)

33、

34、其中,uo、wo分别代表输出门输入层与隐藏层的权重,bo代表输出门偏置;

35、m6,经过m2~m5,完成前向传递,最终更新所述初始预测模型的预测输出值为:

36、

37、其中,v表示输出层权重,c表示记忆单元状态;

38、m7,构造误差函数l,计算预测输出值即数据集中的误差真值与输出层输出值即模型预测值yt之间的误差,根据误差更新模型参数;

39、m8,计算最后时刻t的梯度与为:

40、

41、

42、其中,分别为隐藏层与记忆单元梯度,ot为t时刻输出门输出,lt为t时刻损失函数;

43、m9,根据t+1时刻的梯度计算t时刻隐藏层与记忆单元梯度与

44、

45、

46、m10,根据与计算参数梯度:

47、

48、

49、

50、

51、其中,分别为遗忘门、输入门、输出门与记忆单元下降梯度;

52、m11,根据梯度下降原则,更新所述初始预测模型的权重以及偏置为:

53、

54、其中,w为更新后参数,为参数梯度,α为学习率;

55、m12,对所述初始预测模型进行误差的反向传播,包括:时间层面与空间层面;其中,空间层面将参数误差在层之间传播,从输出层到输入层;所述时间层面将误差沿着时间顺序进行反向传播,由当前时刻开始计算各个时刻的误差;

56、m13,重复迭代m2~m12,直到所述初始预测模型的误差小于设定值,得到最终的误差预测模型。

57、根据本发明的另一个方面,提供了一种基于lstm的空间目标轨道误差预测系统,包括:

58、数据处理模块,该模块用于获取卫星精密星历数据、tle数据以及sgp4预测轨道数据,构建数据集;

59、初始模型构建模块,该模块用于提供一长短时记忆网络模型,对所述长短时记忆网络模型进行网络结构调试和网络超参数设置,得到初始预测模型;

60、模型训练模块,该模块利用所述数据集对所述初始预测模型进行训练,得到最终的误差预测模型;

61、误差预测模块,该模块利用所述误差预测模型对空间目标轨道误差进行预测。

62、根据本发明的第三个方面,提供了一种计算机终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该处理器执行该计算机程序时可用于执行本发明上述中任一项所述的方法,或,运行本发明上述中所述的系统。

63、根据本发明的第四个方面,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时可用于执行本发明上述中任一项所述的方法,或,运行本发明上述中所述的系统。

64、由于采用了上述技术方案,本发明与现有技术相比,具有如下至少一项的有益效果:

65、本发明提供的基于lstm的空间目标轨道误差预测方法及系统,减少了对物理参数的依赖: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。物理建模难以完备地将所有情况都纳入模型,并且诸如空间碎片的非合作目标部分物理参数难以获取,建模更加困难。lstm网络属于深度学习方法,模型基于数据,不需要考虑复杂的物理情况,完全以历史轨道数据为学习对象,对未来轨道进行预测。

66、本发明提供的基于lstm的空间目标轨道误差预测方法及系统,减少了训练量:由于空间碎片数量庞大,并且相比于作为合作目标的卫星,空间碎片作为非合作目标的观测手段相对少,轨道数据质量相对低,且如果直接以空间碎片轨道数据作为训练数据,需要对每个空间碎片都建立模型,消耗的算力较大。而卫星的观测数据均匀,精度也更高,以真实卫星历史轨道数据与sgp4预测值训练误差校正模型,可迁移应用于其它轨道邻近的空间目标,不需要针对每个碎片单独训练模型。

本文地址:https://www.jishuxx.com/zhuanli/20240722/223140.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。