一种基于GA算法建立星光大气折射模型的方法技术

本发明专利技术公开的一种基于GA算法建立星光大气折射模型的方法：步骤1、在1976年美国标准大气参数对流层和平流层数据中选取平流层高度和温度数据进行大气温度建模；步骤2、选取1976年美国标准大气参数中的对流层、平流层高度和压强数据进行大气压强建模；步骤3、求取密度模型；步骤4、将式(3)代入到折射模型经验公式

【技术实现步骤摘要】
一种基于GA算法建立星光大气折射模型的方法
本专利技术属于天文导航
，涉及一种基于GA算法建立星光大气折射模型的方法。
技术介绍
在高精度自主导航方面，影响导航精度的主要因素是星光大气折射模型的不确定性，以往建立大气折射模型过程主要利用最小二乘法进行曲线拟合，计算得到的星光大气折射角模型精度较低，很难满足自主导航的需求。遗传算法是模拟达尔文生物进化论的自然选择和遗传机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。GA算法产生初始种群后依照优胜劣汰原则逐步演化，根据个体适应度按照一定的规则和方法选择一部分优良个体遗传至下一代，利用遗传算子进行交叉与变异产生更加适应环境的新种群。最终末代种群的最优个体经过解码，可近似作为问题最优解。GA算法特点在于解空间随机产生初始种群，因此算法在全局的解空间进行搜索，且将搜索重点集中在性能高的部分。在拟合曲线的应用中，最小二乘法是线性估计，它已经默认函数是线性关系，而对于较复杂的非线性问题时并不奏效；GA算法可以利用全局随机搜索方面的优势解决非线性问题。
技术实现思路
本专利技术的目的是提供一种基于GA算法建立星光大气折射模型的方法，解决了现有技术中存在的折射角模型精度较低的问题。本专利技术所采用的技术方案是，一种基于GA算法建立星光大气折射模型的方法，具体按照以下步骤实施：步骤1、在1976年美国标准大气参数对流层和平流层数据中选取平流层高度和温度数据进行大气温度建模；步骤2、选取1976年美国标准大气参数中的对流层、平流层高度和压强数据进行大气压强建模；步骤3、求取密度模型由于密度ρ与压强P、温度T满足关系ρ＝P/R·T，R为气体常数，取值287，则密度模型ρ＝1.9695149e-0.1500697h(3)其中高度h选取范围为20到50千米；步骤4、h＝25km时大气密度ρ0＝40.084g/m3，密度标高hs＝6.366km，将式(3)代入到折射模型经验公式中，得到最终的折射角模型本专利技术的特点还在于，步骤1中大气温度建模的具体方法为：假设温度数据符合T＝Ah12+Bh1+C曲线形式，其中A,B,C为待定系数，由于平流层高度20～50km的温度值已知，利用GA算法拟合需要先对待定系数进行预测，T＝Ah12+Bh1+C为拟合时的目标函数，拟合需要将目标函数进行优化，此时先用最小二乘法对温度数据进行拟合求出系数A,B,C的值分别为0.044、1.015和218.9，在GUI界面根据最小二乘法拟合得到的系数填写系数上下限，其判断标准为对这两种方法得到的温度模型分别求与原始温度离散数据的标准差，GA算法比最小二乘法的标准差值更小时拟合效果就达到了目的，利用GA算法拟合得到的系数A＝0.035，B＝0.5,C＝212,即大气温度模型为：T＝0.035h12-0.5h1+212(1)T单位为K，h1单位为km。高度h1取值范围为20km到50km。步骤2中大气压强建模的具体方法为：假设压强数据符合曲线形式，其中M,N为待定系数，利用GA算法拟合需要先对待定系数进行预测，为拟合时的目标函数，拟合需要将目标函数进行优化，此时先用最小二乘法对压强数据进行拟合求出系数M,N的值分别为90637.3和-0.144，在GUI界面根据最小二乘法拟合得到的系数填写系数上下限，其判断标准为对这两种方法得到的压强模型分别求与原始压强离散数据的标准差，GA算法比最小二乘法的标准差值更小时拟合效果就达到了目的，利用GA算法拟合得到的系数M＝102082.867，N＝-0.142,即大气压强模型为：P和h2的单位分别为Pa和km。高度h2取值范围为0到84km。本专利技术的有益效果是将GA算法应用于星光大气折射建模过程中，在优化函数拟合效果中提升模型准确性。附图说明图1为1976年美国标准大气参数表。图2为本专利技术方法与最小二乘法温度拟合效果对比图；图3为本专利技术方法与最小二乘法压强拟合效果对比图。具体实施方式下面结合附图和具体实施方式对本专利技术进行详细说明。本专利技术一种基于GA算法建立星光大气折射模型的方法，具体按照以下步骤实施：步骤1、如图1所示，在1976年美国标准大气参数对流层和平流层数据中选取平流层高度和温度数据进行大气温度建模；步骤1中大气温度建模的具体方法为：假设温度数据符合T＝Ah12+Bh1+C曲线形式，其中A,B,C为待定系数，由于平流层高度20～50km的温度值已知，利用GA算法拟合需要先对待定系数进行预测，T＝Ah12+Bh1+C为拟合时的目标函数，拟合需要将目标函数进行优化，此时先用最小二乘法对温度数据进行拟合求出系数A,B,C的值分别为0.044、1.015和218.9，在GUI界面根据最小二乘法拟合得到的系数填写系数上下限，此时的上下限要根据最小二乘法求得的系数进行大致范围确定，最终系数的取值要根据误差大小确定，其判断标准为对这两种方法得到的温度模型分别求与原始温度离散数据的标准差，GA算法比最小二乘法的标准差值更小时拟合效果就达到了目的，利用GA算法拟合得到的系数A＝0.035，B＝0.5,C＝212,即大气温度模型为：T＝0.035h12-0.5h1+212(1)T单位为K，h1单位为km，高度h1取值范围为20km到50km；最小二乘法与GA算法温度拟合效果对比图如图2所示，图2为最小二乘法和GA算法对大气温度数据拟合效果对比图，大气温度数据用黑点表示，最小二乘法和GA算法分别用虚线和实线表示。观察图2高度20到50千米范围内大气温度随着高度的增加而增加，GA算法的拟合效果比最小二乘法更好，大气温度模型误差更小。步骤2、选取1976年美国标准大气参数中的对流层、平流层高度和压强数据进行大气压强建模；步骤2中大气压强建模的具体方法为：假设压强数据符合曲线形式，其中M,N为待定系数，利用GA算法拟合需要先对待定系数进行预测，为拟合时的目标函数，拟合需要将目标函数进行优化，此时先用最小二乘法对压强数据进行拟合求出系数M,N的值分别为90637.3和-0.144，在GUI界面根据最小二乘法拟合得到的系数填写系数上下限，此时的上下限要根据最小二乘法求得的系数进行大致范围确定，最终系数的取值要根据误差大小确定，其判断标准为对这两种方法得到的压强模型分别求与原始压强离散数据的标准差，GA算法比最小二乘法的标准差值更小时拟合效果就达到了目的，利用GA算法拟合得到的系数M＝102082.867，N＝-0.142,即大气压强模型为：P和h2的单位分别为Pa和km，高度h2取值范围为0到84km；GA算法与最小二乘法压强拟合效果对比图如图3所示，图3为最小二乘法和GA算法对大气压强数据拟合效果对比图，大气压强数据用黑点表示，最小二乘法和GA算法分别用虚线和实线表示。观察图3大气压强随着高度的增加而减小，GA算法的拟合本文档来自技高网...

【技术保护点】
1.一种基于GA算法建立星光大气折射模型的方法，其特征在于，具体按照以下步骤实施：/n步骤1、在1976年美国标准大气参数对流层和平流层数据中选取平流层高度和温度数据进行大气温度建模；/n步骤2、选取1976年美国标准大气参数中的对流层、平流层高度和压强数据进行大气压强建模；/n步骤3、求取密度模型/n由于密度ρ与压强P、温度T满足关系ρ＝P/R·T，R为气体常数，取值287，则密度模型/nρ＝1.9695149e

【技术特征摘要】
1.一种基于GA算法建立星光大气折射模型的方法，其特征在于，具体按照以下步骤实施：
步骤1、在1976年美国标准大气参数对流层和平流层数据中选取平流层高度和温度数据进行大气温度建模；
步骤2、选取1976年美国标准大气参数中的对流层、平流层高度和压强数据进行大气压强建模；
步骤3、求取密度模型
由于密度ρ与压强P、温度T满足关系ρ＝P/R·T，R为气体常数，取值287，则密度模型
ρ＝1.9695149e-0.1500697h(3)
其中高度h选取范围为20到50千米；
步骤4、h＝25km时大气密度ρ0＝40.084g/m3，密度标高hs＝6.366km，将式(3)代入到折射模型经验公式中，得到最终的折射角模型





2.根据权利要求1所述的一种基于GA算法建立星光大气折射模型的方法，其特征在于，步骤1中大气温度建模的具体方法为：假设温度数据符合T＝Ah12+Bh1+C曲线形式，其中A,B,C为待定系数，由于平流层高度20～50km的温度值已知，利用GA算法拟合需要先对待定系数进行预测，T＝Ah12+Bh1+C为拟合时的目标函数，拟合需要将目标函数进行优化，此时先用最小二乘法对温度数据进行拟合求出系数A,B,C的值分别为0.044、1.015和218.9，在GUI界面根据最小二乘法拟合得到的系数填写系数上下限，其判断标准为对这两种方法得到的温度模型分...

【专利技术属性】
技术研发人员：杨玉峰，韩香，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：陕西;61