空间非合作目标接管控制过程耦合特性分析及解耦方法技术

本发明专利技术公开了空间非合作目标接管控制过程耦合特性分析及解耦方法，本发明专利技术能够根据耦合数据集构造长短时记忆深度学习网络，再通过长短时记忆深度学习网络对耦合不确定性进行重构，并且结合传统控制理论设计得到解耦控制器，能够在复杂耦合条件下大大提高了空间非合作目标接管控制的精度和鲁棒性，有效的解决了现有空间非合作目标接管控制过程中耦合严重且难以处理的问题。

【技术实现步骤摘要】
空间非合作目标接管控制过程耦合特性分析及解耦方法
本专利技术属于空间操作领域，具体涉及空间非合作目标接管控制过程耦合特性分析及解耦方法。
技术介绍
随着空间科学技术的发展，空间中航天器的数量与日俱增，某些由于损坏、燃料耗尽或者其他原因无法正常执行任务的失效航天器不仅占据着有限的轨道资源，还可能对其他正常工作的在轨航天器造成威胁，因此如何对这些航天器执行在轨维修、燃料加注、空间组装、空间碎片清除等任务成为亟待解决的问题且成为相关学者研究的热点。但是，空间非合作目标的运动常常存在着严重的耦合特性，这使得对空间非合作目标的运动分析及控制都非常困难。
技术实现思路
本专利技术的目的在于克服上述不足，提供一种空间非合作目标接管控制过程耦合特性分析及解耦方法，大大提高了空间非合作目标接管控制的精度和鲁棒性。为了达到上述目的，本专利技术包括以下步骤：步骤一，获取空间非合作目标接管过程系统状态、输入和外干扰的数值，以及耦合部分的信息；步骤二，将步骤一所采集到的信息根据类型、数量级的不同分别进行归一化，建立数据集，并将数据集分为测试数据集和训练数据集两部分；步骤三，利用训练数据集构造长短时记忆深度学习网络，长短时记忆深度学习网络中的三个逻辑门结构采用Logisticsigmoid函数，通过控制门的开关程度控制信息的流动；训练得到相应的网络参数，得到训练后的多视图深度学习网络模型；步骤四，将测试数据集的数据送入训练后的多视图深度学习网络模型中，输出即为耦合的预测结果；步骤五，基于预测结果得到的耦合数据，在非线性反馈和比例-积分-微分控制器加入耦合补偿项，从而得到解耦控制器。步骤一中，获取空间非合作目标接管过程系统状态、输入和外干扰的数值，以及耦合部分的信息是通过地面试验和数字仿真。步骤三中，Logisticsigmoid函数为公式1所示：其中，it、ft、ot和ct分别为输入门、遗忘门、输出门和记忆细胞的输出，Wix、Wim和Wic分别表示网络输入、上时刻输出和记忆细胞到输入门的权重；Wfx,Wfm和Wfc分别为网络输入、上一时刻输出以及记忆细胞到遗忘门的权重；Wox,Wom和Woc为其他权重，σ(·)、g(·)和h(·)为非线性激活函数，bi,bo,bf,bc为偏移量。将测试数据集和训练数据集输入前送入长短时记忆网络进行计算，从而得到接管过程的耦合特性。与现有技术相比，本专利技术能够根据耦合数据集构造长短时记忆深度学习网络，再通过长短时记忆深度学习网络对耦合不确定性进行重构，并且结合传统控制理论设计得到解耦控制器，能够在复杂耦合条件下大大提高了空间非合作目标接管控制的精度和鲁棒性，有效的解决了现有空间非合作目标接管控制过程中耦合严重且难以处理的问题。具体实施方式下面对本专利技术做进一步说明。本专利技术包括以下步骤：步骤1.耦合数据集的建立:通过地面试验和数字仿真，获取空间非合作目标接管过程系统状态、输入和外干扰的数值，以及耦合部分的信息，并保存在本地计算机中。此外，对这些信息根据类型、数量级的不同分别进行归一化，建立数据集，并将数据集分为测试数据集和训练数据集两部分。步骤2.利用训练数据集构造长短时记忆深度学习网络，长短时记忆深度学习网络中的三个逻辑门结构采用Logisticsigmoid函数，通过控制门的开关程度控制信息的流动；训练得到相应的网络参数，得到训练后的多视图深度学习网络模型；Logisticsigmoid函数如下所示：其中，it、ft、ot和ct分别为输入门、遗忘门、输出门和记忆细胞的输出，Wix、Wim和Wic分别表示网络输入、上时刻输出和记忆细胞到输入门的权重；Wfx,Wfm和Wfc分别为网络输入、上一时刻输出以及记忆细胞到遗忘门的权重；Wox,Wom和Woc为其他权重，σ(·)、g(·)和h(·)为非线性激活函数，bi,bo,bf,bc为偏移量。步骤3.利用训练数据集对长短时记忆网络进行训练，使其学习到相应的网络参数，得到训练后的多视图深度学习网络模型。将测试集和训练级的图像通过网络模型，计算得到图像的特征表示及其分类。步骤4.将测试集的数据送入学习好的长短时记忆网络中，输出即为耦合的预测结果。步骤5.基于预测得到的耦合数据，在非线性反馈和比例-积分-微分控制器加入耦合补偿项，从而设计得到解耦控制器。本文档来自技高网...

【技术保护点】
1.空间非合作目标接管控制过程耦合特性分析及解耦方法，其特征在于，包括以下步骤：步骤一，获取空间非合作目标接管过程系统状态、输入和外干扰的数值，以及耦合部分的信息；步骤二，将步骤一所采集到的信息根据类型、数量级的不同分别进行归一化，建立数据集，并将数据集分为测试数据集和训练数据集两部分；步骤三，利用训练数据集构造长短时记忆深度学习网络，长短时记忆深度学习网络中的三个逻辑门结构采用Logistic sigmoid函数，通过控制门的开关程度控制信息的流动；训练得到相应的网络参数，得到训练后的多视图深度学习网络模型；步骤四，将测试数据集的数据送入训练后的多视图深度学习网络模型中，输出即为耦合的预测结果；步骤五，基于预测结果得到的耦合数据，在非线性反馈和比例‑积分‑微分控制器加入耦合补偿项，从而得到解耦控制器。

【技术特征摘要】
1.空间非合作目标接管控制过程耦合特性分析及解耦方法，其特征在于，包括以下步骤：步骤一，获取空间非合作目标接管过程系统状态、输入和外干扰的数值，以及耦合部分的信息；步骤二，将步骤一所采集到的信息根据类型、数量级的不同分别进行归一化，建立数据集，并将数据集分为测试数据集和训练数据集两部分；步骤三，利用训练数据集构造长短时记忆深度学习网络，长短时记忆深度学习网络中的三个逻辑门结构采用Logisticsigmoid函数，通过控制门的开关程度控制信息的流动；训练得到相应的网络参数，得到训练后的多视图深度学习网络模型；步骤四，将测试数据集的数据送入训练后的多视图深度学习网络模型中，输出即为耦合的预测结果；步骤五，基于预测结果得到的耦合数据，在非线性反馈和比例-积分-微分控制器加入耦合补偿项，从而得到解耦控制器。2.根据权利要求1所述的空间非合作目标接管控制过程耦合特性分析及解耦方法，其...

【专利技术属性】
技术研发人员：袁源，王铮，马卫华，王明明，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61