基于自组织网络的空间非合作目标姿轨一体化参数估计方法技术

本发明专利技术公开了一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法。该参数估计算法通过对偶矢量四元数对空间非合作目标进行运动学与动力学建模，并在此基础上设计相应的自组织网络参数估计算法。整个参数估计算法利用了对偶矢量四元数的特性对空间非合作目标的姿轨参数进行了一体化估计，考虑了空间非合作目标的姿轨耦合效应。同时，本参数估计算法设计了具有三层隐层的自组织神经网络，能够在测量失效条件下对空间非合作目标进行参数估计从而使该参数估计算法对空间环境具有较强的鲁棒性。

【技术实现步骤摘要】
基于自组织网络的空间非合作目标姿轨一体化参数估计方法
本专利技术属于航天
，尤其涉及一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法。
技术介绍
日益增长的空间碎片已经严重影响到人类正常的航天活动。尤其是日益增长的各类失效航天器不仅占用大量轨道资源，而且对空间安全有极大威胁。近年来各航天大国及国际研究机构均已达成普遍共识：为了保证轨道资源的可利用性以及空间的安全，必须要对空间中的空间碎片，尤其是失效航天器进行移除。在此过程中，由于失效航天器不能提供自身信息且在空间中进行自由翻滚。因此，对其进行准确的参数估计对后续的参数辨识以及抓捕控制十分重要。现阶段对失效航天器这一类空间非合作目标的主动清除工作主要利用传统的基于四元数的运动学方程以及传统相对动力学方程进行建模，并采用传统基于卡尔曼滤波类的方法进行空间非合作目标的参数估计。然而，由于姿轨耦合效应以及空间中复杂的空间环境会对测量敏感器造成较大干扰的情况，在测量信息失效的情况下，这类传统的方法并不能对空间非合作目标进行精确可靠的姿轨一体化参数估计。
技术实现思路
本专利技术的目的是为了解决现有的空间非合作目标参数估计存在的上述问题，提供了一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法，本参数估计算法设计了具有三层隐层的自组织神经网络，能够在测量失效条件下对空间非合作目标进行参数估计从而使该参数估计算法对空间环境具有较强的鲁棒性。为实现上述目的，本专利技术的技术方案如下：一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法，包括以下步骤：基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程；当服务航天器的测量敏感器有关空间非合作目标的测量信息有效时，服务航天器采用扩展卡尔曼滤波算法对空间非合作目标进行参数估计；当服务航天器的测量敏感器有关空间非合作目标的测量信息失效时，服务航天器采用基于自组织网络的空间非合作目标参数估计方法对空间非合作目标的参数进行估计；同时，将估计后的结果用于对扩展卡尔曼滤波器进行重置。作为本专利技术的进一步改进，建立相对动力学方程的步骤具体为：通过将目标的转动与平动同时考虑，并将相关转动与平动参数用对偶矢量四元数参数化而得到带有具体物理含义的相对参数；同时，基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程。作为本专利技术的进一步改进，基于对偶矢量四元数的运动学模型为：基于对偶矢量四元数的动力学模型为：其中：为误差对偶矢量四元数，为相对速度对偶矢量四元数的估计量，为相对速度对偶矢量四元数，作为本专利技术的进一步改进，当服务航天器的测量设备不能够输出有效测量时，采用含有三个隐层的自组织人工神经网络，并通过人工神经网络对空间非合作目标的参数进行姿轨一体化估计，估计值用于重置扩展卡尔曼滤波器。作为本专利技术的进一步改进，自组织神经网络包含三个隐层，分别是：自组织层，用于前向传播信息，提升网络的动态特性，激活函数为tansig函数；反馈层，每组神经元包含两个神经元，且该两个神经元构成全反馈，用于储存网络信息，激活函数为f＝sigmoid函数；自组织层，用于前向传播信息，提升网络的动态特性，激活函数为tansig函数；输出层，激活函数为purelin函数；该神经网络用基于误差的δ算法离线训练；当训练完成后，在测量有效的情况下，该网络在空间中进行实时更新。本专利技术的有益效果为：本专利技术所提出的一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法，采用对偶矢量四元数对空间非合作目标的运动学与动力学进行建模，从而考虑姿轨耦合效应，对空间非合作目标的姿轨参数能够做到一体化估计，在测量有效时采用传统扩展卡尔曼滤波进行姿轨一体化参数估计；在测量失效时，采用基于自组织网络的参数估计方法对空间非合作目标的参数进行估计，并重置扩展卡尔曼滤波器，从而使参数估计能够依旧在测量失效的情况下对空间非合作目标的参数进行有效估计。整个参数估计算法利用了对偶矢量四元数的特性对空间非合作目标的姿轨参数进行了一体化估计，考虑了空间非合作目标的姿轨耦合效应。同时，本参数估计算法设计了具有三层隐层的自组织神经网络，能够在测量失效条件下对空间非合作目标进行参数估计从而使该参数估计算法对空间环境具有较强的鲁棒性。附图说明图1为服务航天器与空间非合作目标的示意图；图2为自组织神经网络结构的示意图；图3为自组织神经网络结构与扩展卡尔曼滤波结合对空间非合作目标进行参数估计的算法的示意图；具体实施方式一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法的参数估计方法是一种混合参数估计方法。当服务航天器的测量敏感器有关空间非合作目标的测量信息有效时，服务航天器采用传统的扩展卡尔曼滤波算法对空间非合作目标进行参数估计；当服务航天器的测量敏感器有关空间非合作目标的测量信息失效时，服务航天器采用一种基于自组织网络的空间非合作目标参数估计方法对空间非合作目标的参数进行估计。同时，将估计后的结果用于对扩展卡尔曼滤波器的重置。当服务航天器的测量设备能够输出有效测量时，针对基于对偶矢量四元数的运动学动力学模型与测量信息，设计基于扩展卡尔曼滤波的姿轨一体化参数估计方法；当服务航天器的测量设备不能够输出有效测量时，设计含有三个隐层的自组织人工神经网络，并通过该人工神经网络对空间非合作目标的参数进行姿轨一体化估计，估计值用于重置扩展卡尔曼滤波器。其中，考虑惯量积的基于对偶矢量四元数的空间非合作目标运动学动力学建模方法，采用对偶矢量四元数对空间非合作目标的相对运动学、动力学进行数学表达；其中相对动力学的数学表达过程中，考虑空间非合作目标的惯量积。建模工具是对偶矢量四元数，通过将目标的转动与平动同时考虑，并将相关转动与平动参数用对偶矢量四元数参数化而得到带有具体物理含义的相对参数。同时，基于这些对偶矢量四元数，采用误差方程建立相对运动学方程；考虑惯量积建立相对动力学方程。基于对偶矢量四元数的运动学与动力学模型如下：基于对偶矢量四元数的运动学模型：基于对偶矢量四元数的动力学模型：其中：为误差对偶矢量四元数，为相对速度对偶矢量四元数的估计量，为相对速度对偶矢量四元数，以下结合附图对本专利技术进详细说明：图1为服务航天器与空间非合作目标的示意图。其中1为空间非合作目标，2为服务航天器，3为目标观测点，{I}为惯性系；{B}为目标本体系，原点在目标质心；{B'}为观测点坐标系，假设其与目标本体系的安装矩阵已知且平行于目标本体系，ρ为观测点与目标质心之间的位移。rB/I为目标质心与服务航天器上的敏感器的位移，rm为观测点与服务航天器上的敏感器的位移。图2为自组织神经网络结构的示意图。该自组织神经网络包含三个隐层，分别是：自组织层21，共含有10个神经元，用于前向传播信息，提升网络的动态特性，激活函数为tansig函数；反馈层，共含有5组神经元，每组神经元包含两个神经元，且该两个神经元构成全反馈，用于储存网络信息，激活函数为f＝sigmoid函数；自组织层22，共含有10个神经元，用于前向传播信息，提升网络的动态特性，激活函数为tansig函数。输出层有10个神经元，激活函数为purelin函数。该神经网络用基于误差的δ算法离线训练。当训练完成后，在测量有效的情况下，本文档来自技高网...

【技术保护点】
1.一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法，其特征在于，包括以下步骤：基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程；当服务航天器的测量敏感器有关空间非合作目标的测量信息有效时，服务航天器采用扩展卡尔曼滤波算法对空间非合作目标进行参数估计；当服务航天器的测量敏感器有关空间非合作目标的测量信息失效时，服务航天器采用基于自组织网络的空间非合作目标参数估计方法对空间非合作目标的参数进行估计；同时，将估计后的结果用于对扩展卡尔曼滤波器进行重置。

【技术特征摘要】
1.一种基于自组织网络的空间非合作目标姿轨一体化参数估计方法，其特征在于，包括以下步骤：基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程；当服务航天器的测量敏感器有关空间非合作目标的测量信息有效时，服务航天器采用扩展卡尔曼滤波算法对空间非合作目标进行参数估计；当服务航天器的测量敏感器有关空间非合作目标的测量信息失效时，服务航天器采用基于自组织网络的空间非合作目标参数估计方法对空间非合作目标的参数进行估计；同时，将估计后的结果用于对扩展卡尔曼滤波器进行重置。2.根据权利要求1所述的基于自组织网络的空间非合作目标姿轨一体化参数估计方法，其特征在于，建立相对动力学方程的步骤具体为：通过将目标的转动与平动同时考虑，并将相关转动与平动参数用对偶矢量四元数参数化而得到带有具体物理含义的相对参数；同时，基于对偶矢量四元数，采用误差方程建立相对运动学方程，考虑惯量积建立相对动力学方程。3.根据权利要求1或2所述的基于自组织网络的空间非合作目标姿轨一体化参数估计方法，其特征在于，基于对偶矢量四元数的...

【专利技术属性】
技术研发人员：袁建平，侯翔昊，张博，马川，孙冲，崔尧，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西,61