一种基于随机森林的轨道预报精度改进方法技术

一种基于随机森林的轨道预报精度改进方法，首先获取卫星两行根数历史数据，初始化随机森林、SGP4模型参数、精确卫星轨道预报模型、误差简化卫星轨道预报模型，然后解构得到卫星在轨实际状态，利用精确卫星轨道预报模型、误差简化卫星轨道预报模型分别进行卫星轨道预报，得到精确卫星轨道预报仿真状态、卫星轨道预报误差仿真状态，最后联合得到训练数据集、应用数据集，并使用随机森林中进行分类器训练，得到大气模型修正值、改进后的精确卫星轨道预报模型，完成卫星轨道预报。

An Improvement Method of Track Prediction Accuracy Based on Random Forest

An improved method of orbit prediction accuracy based on random forest is proposed. Firstly, the historical data of two rows of satellite elements are obtained, the parameters of random forest, SGP4 model, accurate satellite orbit prediction model and error simplified satellite orbit prediction model are initialized, then the actual state of satellite in orbit is decomposed and the precise satellite orbit prediction model is used. Satellite orbital prediction models with simplified errors are used to predict satellite orbital prediction respectively. The simulation states of precise satellite orbital prediction and satellite orbital prediction errors are obtained. Finally, training data sets and application data sets are jointly obtained, and classifiers are trained in random forests to obtain the corrected values and improvements of atmospheric models. After that, the precise satellite orbit prediction model can complete the satellite orbit prediction.

【技术实现步骤摘要】
一种基于随机森林的轨道预报精度改进方法
本专利技术涉及一种轨道预报精度改进方法，更特别地说，是利用数据挖掘方法中的随机森林方法，开发一种挖掘大气模型修正值并以此提高轨道预报精度的方法。
技术介绍
轨道预报，即从当前卫星在轨状态出发，计算一定预报时间后卫星的在轨状态，精确的轨道预报是卫星轨道设计、跟踪监测、GPS导航定位的基础。对于低轨卫星而言，大气阻力是造成其轨道衰减最主要的摄动力，然而大气具有相当的不确定性，实际上卫星在轨运行的过程中受到的大气阻力是时刻变化的，目前尚未完全研究透彻大气密度变化规律的情况下，各类大气模型基本是半经验公式，这会对低轨卫星轨道预报造成较大的误差。有许多学者使用数据挖掘方法中的神经网络方法改进轨道预报精度或修正大气模型，例如，北京卫星导航中心的李晓杰在其公开的论文《神经网络在北斗导航卫星轨道预报中的应用》中与北京市遥感信息研究所的黄金在其公开的论文《基于神经网络模型的地球同步卫星高精度轨道预报》中均是利用BP神经网络进行轨道预报精度补偿，将某历史时刻的轨道预报误差作为训练样本，利用训练好的神经网络模型补偿当前的预报轨道以提高轨道预报精度，但是该方法存在一定的改进失败率，且BP神经网络的本质为梯度下降法，收敛速度十分缓慢，计算负担较大，对训练样本的要求也较高；装备学院的朱俊鹏在其公开的论文《长短时记忆神经网络在卫星轨道预报中的研究》中公开一种利用长短时记忆神经网络进行轨道预报的思路和改进的模型，该方法摆脱了动力学模型，将一段较长的历史轨道数据作为训练样本，利用长短时记忆神经网络直接预报，但是因为摆脱了动力学模型，使得卫星在精密定轨、交会对接上，还存在较大的误差；中国科学技术大学数学科学学院的常欣卓在其公开的论文《基于非线性自回归神经网络的局部大气密度预测方法》中利用两行根数(TLE)对NRLMSISE-00大气模型校准得到沿轨道的局部化密度模型，基于非线性自适应回归神经网络(NARX)构建大气密度预测模型，该模型结合校准后MSIS模型以及太阳与地磁活动指数来预测未来一段时间内局部大气密度，相较于MSIS模型，预测的准确性有了明显的提升，为不同经纬度不同高度大气密度的反演与预测提供了思路，但是TLE数据精度仅在千米量级，而且包含大量的噪声，对于神经网络的训练会产生不利影响。
技术实现思路
本专利技术的技术解决问题是：本专利技术针对现有技术在TLE数据体量不够巨大的情况下精度不高的问题，保证改进成功率，大幅降低计算负担，降低TLE数据中噪声对计算的影响，提出一种基于随机森林的轨道预报精度改进方法。本专利技术的技术解决方案是：一种基于随机森林的轨道预报精度改进方法，步骤如下：(1)获取文本形式的卫星两行根数历史数据，设置随机森林的决策树数量、单棵决策树最大特征数量，初始化SGP4模型参数、精确卫星轨道预报模型、误差简化卫星轨道预报模型，两种轨道预报模型区别在于如下处理：(2)利用SGP4模型解构卫星两行根数历史数据，得到卫星在轨实际状态；(3)利用精确卫星轨道预报模型、误差简化卫星轨道预报模型分别进行卫星轨道预报，预报间隔为两个相邻卫星两行根数数据点的时间间隔，得到精确卫星轨道预报仿真状态、卫星轨道预报误差仿真状态；(4)联合精确卫星轨道预报仿真状态、卫星轨道预报误差仿真状态得到训练数据集，联合卫星在轨实际状态、精确卫星轨道预报仿真状态得到应用数据集，将训练数据集导入到随机森林中进行分类器训练；(5)利用得到的分类器对应用数据集进行分类，得到大气模型修正值、改进后的精确卫星轨道预报模型；(6)利用改进后的精确卫星轨道预报模型对卫星进行轨道预报。所述的精确卫星轨道预报模型包括第一地球引力场模型、太阳引力摄动模型、太阳光压摄动模型、MSIS大气模型，误差简化卫星轨道预报模型包括第二地球引力场模型、人为添加误差的MSIS大气模型。所述的随机森林为套袋法与决策树的结合，决策树是通过递归分割构建的，决策树建立过程包括从样本中随机选择n个样本，从所有属性中随机选择k个属性，根据最佳分割属性作为节点建立决策树；随机森林的分类问题为通过投票决定数据类别，随机森林的回归问题通过m棵决策树预测结果的均值作为最后预测结果，其中，m、n都为正整数。所述的精确卫星轨道预报模型包括第一地球引力场模型为50×50阶地球引力场模型；误差简化卫星轨道预报模型包括的第二地球引力场模型为5×5地球引力场模型，人为添加误差的MSIS大气模型的人为添加误差为(-300％～+300％)。所述的第一地球引力场模型、第二地球引力场模型中的地球引力势为其中，GMe为地球引力常数，r为地心固连坐标系中的航天器质心位置矢量，和λ分别为航天器的地心纬度和地心经度，Re为地球的赤道半径，Pnm为n阶m次缔合勒让德多项式，Cnm、Snm均为描述了地球内部质量分布的重力势系数。所述的精确卫星轨道预报模型中太阳引力摄动模型的摄动加速度为其中，r和s分别为航天器质心和太阳质心的地心位置矢量；M表示太阳的质量，G为引力常数。一种计算机可读存储介质，所述的计算机可读存储介质存储有计算机程序，所述的计算机程序被处理器执行时实现如权利要求1-权利要求6任一所述方法的步骤。一种基于随机森林的轨道预报精度改进终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述的处理器执行所述的计算机程序时实现如权利要求1-权利要求6任一所述方法的步骤。本专利技术与现有技术相比有益效果为：(1)本专利技术与现有技术相比，在TLE数据存在噪声、精度一般的情况下，依然能够得到高精度(测试结果精度可达100％)的随机森林分类器；(2)本专利技术与现有技术相比，计算速度快，随机森林的训练时长不超过60秒，计算负担小，对比神经网络，可以将计算效率提升百倍以上；(3)本专利技术与现有技术相比，可根据新产生的TLE数据进行实时修正，动态产生分类器，对轨道预报的改进成功率高，稳定性高，具有很好的使用价值；(4)本专利技术与现有技术相比，一致性较好，对于不同卫星不同测轨数据(包括但不限于TLE)不同大气模型(包括但不限于MSIS模型)，均可以使用该方法训练随机森林分类器，改进轨道预报精度。附图说明图1本专利技术流程图；图2决策树示意图；图3随机森林示意图；图4半年内半长轴变化图；图5训练结果图；图6应用结果图；图7轨道预报改进结果图。具体实施方式下面将结合附图和实施例对本专利技术做进一步的详细说明。本专利技术的轨道预报改进算法主要包括三大部分：1)三种来源的轨道数据计算，以及训练和应用数据集的生成，2)使用随机森林的分类器训练，并利用训练好的分类器反演大气模型修正值，得到改进后的精确模型。步骤一，训练和应用数据的生成；随机森林的训练和应用均依赖于大规模的数据集，为了生成所需的数据集，首先要做的工作是通过SGP4模型解构TLE历史数据，得到卫星在轨实际状态。其次基于卫星在轨实际状态，自第k点开始，利用两种轨道预报模型，预报至第k+1点，预报间隔为第k点与第k+1点TLE数据点建立时间间隔，得到精确仿真状态和误差仿真状态。步骤1.1：两行根数(Two-LineElement，TLE)是由美国全球观测网记录并发布的全球最全空间目标编录，结合由北美防空司令部(NorthAmericanAerospac本文档来自技高网...

【技术保护点】
1.一种基于随机森林的轨道预报精度改进方法，其特征在于步骤如下：(1)获取文本形式的卫星两行根数历史数据，设置随机森林的决策树数量、单棵决策树最大特征数量，初始化SGP4模型参数、精确卫星轨道预报模型、误差简化卫星轨道预报模型，两种轨道预报模型区别在于如下处理：(2)利用SGP4模型解构卫星两行根数历史数据，得到卫星在轨实际状态；(3)利用精确卫星轨道预报模型、误差简化卫星轨道预报模型分别进行卫星轨道预报，预报间隔为两个相邻卫星两行根数数据点的时间间隔，得到精确卫星轨道预报仿真状态、卫星轨道预报误差仿真状态；(4)联合精确卫星轨道预报仿真状态、卫星轨道预报误差仿真状态得到训练数据集，联合卫星在轨实际状态、精确卫星轨道预报仿真状态得到应用数据集，将训练数据集导入到随机森林中进行分类器训练；(5)利用得到的分类器对应用数据集进行分类，得到大气模型修正值、改进后的精确卫星轨道预报模型；(6)利用改进后的精确卫星轨道预报模型对卫星进行轨道预报。

【技术特征摘要】
1.一种基于随机森林的轨道预报精度改进方法，其特征在于步骤如下：(1)获取文本形式的卫星两行根数历史数据，设置随机森林的决策树数量、单棵决策树最大特征数量，初始化SGP4模型参数、精确卫星轨道预报模型、误差简化卫星轨道预报模型，两种轨道预报模型区别在于如下处理：(2)利用SGP4模型解构卫星两行根数历史数据，得到卫星在轨实际状态；(3)利用精确卫星轨道预报模型、误差简化卫星轨道预报模型分别进行卫星轨道预报，预报间隔为两个相邻卫星两行根数数据点的时间间隔，得到精确卫星轨道预报仿真状态、卫星轨道预报误差仿真状态；(4)联合精确卫星轨道预报仿真状态、卫星轨道预报误差仿真状态得到训练数据集，联合卫星在轨实际状态、精确卫星轨道预报仿真状态得到应用数据集，将训练数据集导入到随机森林中进行分类器训练；(5)利用得到的分类器对应用数据集进行分类，得到大气模型修正值、改进后的精确卫星轨道预报模型；(6)利用改进后的精确卫星轨道预报模型对卫星进行轨道预报。2.根据权利要求1所述的一种基于随机森林的轨道预报精度改进方法，其特征在于：所述的精确卫星轨道预报模型包括第一地球引力场模型、太阳引力摄动模型、太阳光压摄动模型、MSIS大气模型，误差简化卫星轨道预报模型包括第二地球引力场模型、人为添加误差的MSIS大气模型。3.根据权利要求1或2所述的一种基于随机森林的轨道预报精度改进方法，其特征在于：所述的随机森林为套袋法与决策树的结合，决策树是通过递归分割构建的，决策树建立过程包括从样本中随机选择n个样本，从所有属性中随机选择k个属性，根据最佳分割属性作为节点建立决策树；随机森林的...

【专利技术属性】
技术研发人员：廖川，徐明，潘晓，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11