一种基于深度神经网络学习算法的人造卫星光谱特征分类方法技术

一种基于深度神经网络学习算法的人造卫星光谱特征分类方法，包括如下步骤：步骤1，人造卫星光谱数据采集；步骤2，光谱数据归一化预处理；步骤3，采用随机梯度下降算法，对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，人造卫星平台类型分类；对所观测的卫星光谱，按步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该卫星的类型。本发明专利技术有效适用于深空环境、准确性更高。

【技术实现步骤摘要】
【专利摘要】，包括如下步骤：步骤1，人造卫星光谱数据采集；步骤2，光谱数据归一化预处理；步骤3，采用随机梯度下降算法，对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，人造卫星平台类型分类；对所观测的卫星光谱，按步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该卫星的类型。本专利技术有效适用于深空环境、准确性更高。【专利说明】-种基于深度神经网络学习算法的人造卫星光谱特征分类 方法
本专利技术设及载人航天实施空间监测
，尤其是一种基于光谱特征的人造卫 星类型分析方法。
技术介绍
自1957年10月前苏联发射首颗人造地球卫星W来，美国、法国、日本也相继发射了 人造卫星，中国也于1970年发射了第一颗自己的人造卫星"东方红一号"；据2013年统计，截 止2013年5月31号，在轨运行的人造卫星总数为1071颗;而目前具体有多少颗卫星，并不确 定，因为该数字几乎每天都会在变，有新的卫星发射，也有老卫星失效后被废弃;并且随着 皮(小)卫星的发射，其数量变化更快。 卫星的种类众多，按用途可分为:科学卫星、技术试验卫星、应用卫星;按功能又可 分为:侦察卫星、气象卫星、地球资源卫星、海洋卫星、通信卫星、导航卫星等。 不同类型的卫星，其载荷不同，目的也不一样，了解并掌握卫星类型W及在轨状 态，对于我国的空间环境态势把握具有极其重要的意义，对国防和民用都会产生重要影响。 传统人造卫星测量W位置信息测量为主，包括卫星的Ξ维位置坐标、速度、加速度 等参数，可衍生出各类地球轨道参数。为了提高卫星的监测预警能力，对测量系统除了要求 获得其位置信息之外，更需要获得卫星的特征信息，如卫星的形状、体积、表面材料参数等 特征信息，它对空间监测、预警尤为重要。 人造卫星的大小、形状、材料类别的确定，对于空间环境监测和预警至关重要。光 谱测量技术是人造卫星分析的一种重要方法，人造卫星一般本身并不发光，其亮度来自太 阳光的反射，仅由亮度变化不足W分辨卫星的材料组成，分析其光谱特征成为我们辨认卫 星类别的主要手段。 在地基(地面观测站)条件下，光谱仪所获取光谱由卫星材料成分、太阳光谱、地球 大气吸收谱，W及测量过程中产生的噪声等因素综合决定，因而由光谱推断卫星种类并没 有一个解析解。本专利技术采用深度网络学习算法，对卫星类型作分类。[000引空间卫星的测量有雷达测量和光学测量，雷达测量可W克服天气、太阳和及地影 的影响，能全天候全天时工作，但由于雷达测量时，其反射回波信号的强度与距离的四次方 成反比，因而雷达测量比较适合于低地球轨道的小卫星；另外雷达测量需要发射信号，属于 主动探测形式，运在某些情形下可能不合适。 而对于无源光学测量，信号反射强度与物体的距离的平方成反比，因而能探测高 轨道卫星，另外它仅接收卫星对太阳光的反射，属于被动探测形式，可较好的适合于某些特 殊场合。
技术实现思路
为了克服已有空间卫星分类方法无法适用于深空环境、准确性较差的不足，本发 明提供一种有效适用于深空环境、准确性更高的基于深度神经网络学习算法的光谱特征人 造卫星分类方法。 本专利技术解决其技术问题所采用的技术方案是： ，包括如下步骤： 步骤1，人造卫星光谱数据采集； 利用光谱仪，采集人造卫星光谱数据W及该卫星平台类别； 步骤2,光谱数据归一化预处理； 步骤3，深度网络模型训练，过程如下 3.1)权值初始化:取区间为均匀随机值：[001 引 其中，famn表示网络每层输入节点数，fanout表示网络每层输出节点数； 3.2)神经元的激励函数选择为sigmoid函数，对变量a，函数形式为： sigmoid(a) = l/(l+e-a) 3.3)设定学习率； 3.4)选定批训练大小； 3.5)调试每层节点数； 3.6)采用堆找去噪自编码做逐层预训练，设定训练回合数； 3.7)学习算法采用随机梯度下降算法； 3.8)对各层预训练后的深度网络展开为深度前馈网络，并W所训练的网络参数作 为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率 方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，人造卫星平台类型分类； 对所观测的卫星光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模 型输出每条光谱的类别，W同一个圈次中各条光谱输出类别数最多者作为该卫星的类型。 进一步，所述步骤2中，光谱数据归一化预处理过程如下： 2.1)记光谱矢量为xERd，老I则剔除该条光谱矢量，即当获取的光谱 较暗时，去除该条光谱； 2.2)同一观测圈次中n条光谱，记为xjeRd，j = l，...，n，计算平均矢量并计算各条光谱矢量到光谱平均矢量的欧式距离化=IIX广μ II J = i，...，n，其中II. II表 示矢量的欧氏范数，记化，j = l，...，n的中值为D，标准差为Δ，采用如下判别离群点： 本专利技术的有益效果主要表现在:有效适用于深空环境、准确性更高。【附图说明】 图1是基于深度神经网络学习算法的光谱特征人造卫星分类方法的流程图。 图2是光谱流量示意图。 图3是深度神经网络的示意图。 图4是分阶段学习代价损失函数与训练回合数的关系图，其中，图4(a)的学习率 0.1，图4(b)的学习率0.01，图4(c)的学习率0.001，图4(d)的学习率0.0001。【具体实施方式】 下面结合附图对本专利技术作进一步描述。 参照图1~图4,， 包括如下步骤： 步骤1，人造卫星光谱数据采集； 利用光谱仪，采集人造卫星光谱数据W及该卫星平台类别； 步骤2,光谱数据归一化预处理； 由于噪声等因素影响，所获取光谱数据中存在某些离群点，为此采用如下方法剔 除离群点： 2.1)记光谱矢量为xERd，若则剔除该条光谱矢量，即当获取的光谱 较暗时，去除该条光谱； 2.2)同一观测圈次中11条光谱，记为刮￡1?4^' = 1，...，11，计算平均矢量， 并计算各条光谱矢量到光谱平均矢量的欧式距离化=IIX广μ II J = i，...，n，其中II. II表 示矢量的欧氏范数，记化，j = l，...，n的中值为D，标准差为Δ，采用如下判别离群点：[004引步骤3,深度网络模型训练； 3.1)权值初始化:取区间为均匀随机值： 其中，famn表示网络每层输入节点数，fanout表示网络每层输出节点数； 3.2)神经元的激励函数选择为sigmoid函数： 3.3)学习率:选择为0.1; 3.4)批训练大小(minibatch):选择为10; 3.5)每层节点数，由实验调试，最后选择为3隐层，各隐层节点数分别为400、100、 300； 3.6)采用堆找去噪自编码做逐层预训练，训练回合数(邱och)，取100; 3.7)学习算法采用随机梯度下降算法；[005引3.8)对各层预训练后的深度网络展开为深度前馈网络，并W所训练的网络参数作 为该深度网络参数的初始值，用经典的反向传播算法(BP)对网络作精细化调整，采用变学 习率方法，本文档来自技高网...

【技术保护点】
一种基于深度神经网络学习算法的人造卫星光谱特征分类方法，其特征在于：该分类方法包括如下步骤：步骤1，人造卫星光谱数据采集；利用光谱仪，采集人造卫星光谱数据以及该卫星平台类别；步骤2，光谱数据归一化预处理；步骤3，深度网络模型训练，过程如下3.1)权值初始化：取区间为均匀随机值：4*[-6fanin+fanout,6fanin+fanout]]]>其中，fanin表示网络每层输入节点数，fanout表示网络每层输出节点数；3.2)神经元的激励函数选择为sigmoid函数，对变量a，函数形式为：sigmoid(a)＝1/(1+e‑a)3.3)设定学习率；3.4)选定批训练大小；3.5)调试每层节点数；3.6)采用堆栈去噪自编码做逐层预训练，设定训练回合数；3.7)学习算法采用随机梯度下降算法；3.8)对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，人造卫星平台类型分类；对所观测的卫星光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该卫星的类型。...

【技术特征摘要】

【专利技术属性】
技术研发人员：庄德文，唐轶峻，孟森森，沈杰，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33