基于结构化神经网络的成像任务可调度性预测方法技术

本发明专利技术涉及基于结构化神经网络的成像任务可调度性预测方法，通过对任务规划结果样本集特征值的构造与提取，构建结构化神经网络模型，使其在学习过程中建立任务特征值和卫星能力之间的非线性映射关系，从而完成对成像任务的可调度性预测。本发明专利技术具有参数解释能力强、能有效解决传统前馈神经网络模型存在的诸如模型非结构化、收敛速度慢、神经元个数很难确定及局部最小等各种缺陷、预测精度高等优点。

Prediction method of imaging task schedulability based on structured neural network

The present invention relates to a method for predicting the schedulability of imaging tasks based on structured neural networks. By constructing and extracting the eigenvalues of the sample set of task planning results, a structured neural network model is constructed to establish a nonlinear mapping relationship between the task eigenvalues and the satellite capabilities during the learning process, thereby completing the completion of a complete set of tasks. Schedulability prediction of tasks. The invention has the advantages of strong parameter interpretation ability, effective solution to various defects such as unstructured model, slow convergence speed, difficult determination of the number of neurons and local minimum, and high prediction accuracy existing in the traditional feedforward neural network model.

【技术实现步骤摘要】
基于结构化神经网络的成像任务可调度性预测方法
本专利技术涉及神经网络预测的
，尤其涉及到基于结构化神经网络的成像任务可调度性预测方法。
技术介绍
遥感卫星是(remotesensingsatellite)用作外层空间遥感平台的人造卫星。用卫星作为平台的遥感技术称为卫星遥感。通常，遥感卫星可在轨道上运行数年。卫星轨道可根据需要来确定。遥感卫星能在规定的时间内覆盖整个地球或指定的任何区域，当沿地球同步轨道运行时，它能连续地对地球表面某指定地域进行遥感。所有的遥感卫星都需要有遥感卫星地面站，卫星获得的图像数据通过无线电波传输到地面站，地面站发出指令以控制卫星运行和工作。遥感卫星主要有气象卫星、“陆地卫星”和“海洋卫星”三种类型。不同遥感卫星的工作模式和使用约束十分复杂，一般具有相对独立的任务规划系统；随着遥感卫星和成像任务数目的不断增加，如何基于不同遥感卫星任务规划系统运行累积的大量历史数据，采用人工智能和运筹学等领域的先进理论设计成像任务可调度性预测方法，具有非常重要的理论意义和实践价值。成像任务可调度性预测可表示为六元组<JT,Jp,S,C,X,G>，本文档来自技高网...

【技术保护点】
1.基于结构化神经网络的成像任务可调度性预测方法，其特征在于：通过对任务规划结果样本集特征值的构造与提取，构建结构化神经网络模型，使其在学习过程中建立任务特征值和卫星能力之间的非线性映射关系，从而完成对成像任务的可调度性预测；具体步骤如下：S1、对调度场景和成像任务的定义：调度场景：{Si＝

【技术特征摘要】
1.基于结构化神经网络的成像任务可调度性预测方法，其特征在于：通过对任务规划结果样本集特征值的构造与提取，构建结构化神经网络模型，使其在学习过程中建立任务特征值和卫星能力之间的非线性映射关系，从而完成对成像任务的可调度性预测；具体步骤如下：S1、对调度场景和成像任务的定义：调度场景：{Si＝<Ji,Oi,C>|i＝0,...,n}，其中，Ji为分配到卫星i的任务集，SubJi表示任务集Ji的子集，SubJi中每个任务对卫星i具有的成像机会集合为Wi，C为卫星使用约束集合；任务jobi＝<pi,di,woi,wfi>，pi∈[1,8]为其优先级，越大表示越重要；di表示jobi的成像持续时间，任务jobi须在给定时间[woi,wfi]范围内安排观测；假设osj和oej分别表示成像机会j的开始时间与结束时间，则jobi所有成像机会表示为Oi＝{<os1,oe1,sl1>,...,<osj,oej,slj>,...,<osm,oem,slm>}，其中slj表示jobi在成像机会j中对应的侧摆角度；假设jobi的特征向量定义为{f1,f2,f3,f4,f5}，其中f1:Durationi＝di，f2:Priorityi＝pi∈[1,8]，f3:f4:f5:Conflicti，表示jobi与其他任务观测机会的冲突情况；S2、构建结构化神经网络模型；S3、确定输入层神经节点和输出层神经节点；S4、经过多组数据训练学习后进行成像任务的可调度性预测。2.根据权利要求1所述的基于结构化神经网络的成像任务可调度性预测方法，其特征在于：步骤S2中所述结构化神经网络模型由多个隐含层节点不同的BP神经网络集成，每个BP神经网络各节点之间所有的连接关系均基于现实实际系统的因果关系而构建。3.根据权利要求1所述的基于结构化神经网络的成像任务可调度性预测方法，其特征在于：所述输入层神经节点对应{f1,f2,f3,f4,f5}五个特征值；输出层神经节点为特征值Scheduledi＝{-1,1}，任务jobi经过调度若进入成像方案中，则Scheduledi＝1，表明调度成功；否则Scheduledi＝-1。4.根据权利要求1所述的基于结构化神经网络的成像任务可调度性预测方法，其特征在于：所述Conflicti的...

【专利技术属性】
技术研发人员：何敏藩，邢立宁，白国庆，石建迈，王锐，谭旭，陈剑，黄勇，熊彦，甘文勇，
申请(专利权)人：佛山科学技术学院，佛山市有义家科技有限公司，
类型：发明
国别省市：广东,44