一种基于神经网络的航天器相对运动构形识别系统及方法技术方案

本发明专利技术公开了一种基于神经网络的航天器相对运动构形识别系统及方法，属于航空航天技术领域，本发明专利技术给出的非合作空间航天器相对运动构型识别方法，提出一种基于神经网络的航天器相对运动构形识别方法，通过构建航天器相对运动构形数据集Dataset，可在领域专家知识不足条件下实现相对运动构型识别。通过神经网络模型对目标航天器进行相对运动构型识别，对非合作空间航天器的相对运动构型掌握，以此为空间安全预警、规避的开展提供信息层面的保障。规避的开展提供信息层面的保障。规避的开展提供信息层面的保障。

【技术实现步骤摘要】
一种基于神经网络的航天器相对运动构形识别系统及方法


[0001]本专利技术属于航空航天
，具体涉及一种基于神经网络的航天器相对运动构形识别系统及方法。

技术介绍

[0002]当前，绕地球飞行的可跟踪人造物体共有数万颗。而在这些航天器中，正常运行的有两千余颗，其他的为故障失效航天器，或者由航天器解体残剩的空间碎片，碎片撞击导致航天器损伤的事例也越来越多。在这些事件中，失效航天器、空间碎片以及未知航天器(未能识别身份或存在未知信息)，统称为空间航天器。这些非合作目标航天器的存在，对太空活动的安全性构成了严重威胁。当前对空间航天器的轨道预测和安全预警的方法主要集中在对空间目标碰撞风险评估，常用的有碰撞预警的区域方法和碰撞概率方法等，而这些方法主要是距离作为评价指标，无法全方位的对空间航天器进行威胁评估与预警。因此，对于保障高价值卫星的空间安全与在轨任务顺利实施，需要对非合作空间航天器的相对运动构型掌握，以此为空间安全预警、规避的开展提供信息层面的保障。

技术实现思路

[0003]为了克服上述现有技术的缺点，本专利技术的目的在于提供一种基于神经网络的航天器相对运动构形识别系统及方法，以解决现有技术中距离作为空间航天器的轨道预测和安全预警的评价指标，无法全方位的对空间航天器进行威胁评估与预警的技术问题。
[0004]为了达到上述目的，本专利技术采用以下技术方案予以实现：
[0005]一种基于神经网络的航天器相对运动构形识别方法，包括：
[0006]获取空间航天器与中心航天器之间的位置信息，确定神经网络模型输入节点、隐含层节点、输出节点信息与数量以及各层间激活函数；
[0007]根据空间航天器与中心航天器之间的位置信息构建航天器相对运动构形数据集Dataset；
[0008]根据航天器相对运动构形数据集Dataset构建神经网络模型；
[0009]将目标航天器的运动状态信息输入神经网络模型进行航天器相对运动构形识别。
[0010]优选地，所述神经网络模型输入节点选择为“相对位置”、“相对速度”信息，预测网络模型的输出节点与相对运动构型数量N相同；隐含层激活函数f(
·
)和输出层激活函数g(
·
)使用Sigmiod函数。
[0011]优选地，所述航天器相对运动构形样式包括：交会、顺漂、逆漂、水滴顺向掠飞、水滴逆向掠飞、水滴顺向绕飞、水滴逆向绕飞、椭圆绕飞、椭圆前向掠飞和椭圆后向掠飞。
[0012]优选地，所述航天器相对运动构形数据集Dataset的构建，具体包括：
[0013]在近圆轨道下，将控制量引入C
‑
W方程，得到相对运动控制方程为
[0014][0015]依据各个相对构型的特点进行运动推演仿真，整合轨迹数据，构建航天器相对运动构形数据集Dataset；
[0016]其中符号的含义为：
[0017]x——相对坐标系(LVLH系)下轨道径向的位置分量；
[0018]y——相对坐标系(LVLH系)下飞行方向的位置分量；
[0019]z——相对坐标系(LVLH系)下轨道角动量方向的位置分量；
[0020]——相对坐标系(LVLH系)下轨道径向的速度分量；
[0021]——相对坐标系(LVLH系)下飞行方向的速度分量；
[0022]——相对坐标系(LVLH系)下轨道角动量方向的速度分量；
[0023]——相对坐标系(LVLH系)下轨道径向的加速度分量；
[0024]——相对坐标系(LVLH系)下飞行方向的加速度分量；
[0025]——相对坐标系(LVLH系)下轨道角动量方向的加速度分量。
[0026]优选地，所述根据航天器相对运动构形数据集Dataset构建神经网络模型，具体包括：
[0027]S1：从航天器相对运动构型数据集Dataset中随机选取数据构建训练数据集Train_dataset与测试数据集Test_dataset；
[0028]S2：对训练数据集Train_dataset归一化处理得到[0，1]之间的训练数据；
[0029]S3：采用归一化处理后的训练数据进行神经网络模型训练和参数更新；
[0030]S4：使用测试数据集Test_dataset测试训练后的神经网络模型，若通过测试，则构建好神经网络模型，若不通过，则执行S3。
[0031]优选地，所述S1中，训练数据集Train_dataset与测试数据集Test_dataset的比例为4:1。
[0032]优选地，S2中数据归一化处理中，一组原始数据样本包括以下元素，将元素分成两个独立的向量，即位置向量和速度；于是针对位置矢量做如下处理：
[0033][0034][0035]采用向量模和单位向量作为位置特征信息，压缩函数选择为tanh函数
[0036][0037]因此，对模值进行压缩，
[0038][0039]可令
[0040][0041]则
[0042][0043]式中，L
M
为最大探测有效距离；K
P
为压缩系数；为位置向量模值压缩结果；L2为位置向量模值。
[0044]优选地，所述S3中，采用归一化处理后的训练数据进行神经网络模型训练和参数更新，具体为：
[0045]对航天器相对运动构形识别方法识别神经网络模型参数进行初始化，训练数据集Train_dataset中的输入数据经过网络结构前向传输得到输出值，利用交叉熵损失函数计算输出值与标记数据集labels中相应的标记数据之间的误差，再利用链式法则将此误差反向传播到神经网络中，利用优化算法对神经网络权重和偏置参数进行更新。
[0046]本专利技术还公开了一种基于神经网络的航天器相对运动构形识别系统，包括：
[0047]获取单元，用于获取空间航天器与中心航天器之间的位置信息，确定神经网络模型输入节点、隐含层节点、输出节点信息与数量以及各层间激活函数；
[0048]数据构建单元，用于根据空间航天器与中心航天器之间的位置信息构建航天器相对运动构形数据集Dataset；
[0049]模型构建单元，用于根据航天器相对运动构形数据集Dataset构建神经网络模型；
[0050]识别单元，用于将目标航天器的运动状态信息输入神经网络模型进行航天器相对运动构形识别。
[0051]与现有技术相比，本专利技术具有以下有益效果：
[0052]本专利技术给出的非合作空间航天器相对运动构型识别方法，提出一种基于神经网络的航天器相对运动构形识别方法，通过构建航天器相对运动构形数据集Dataset，可在领域专家知识不足条件下实现相对运动构型识别。通过神经网络模型对目标航天器进行相对运动构型识别，对非合作空间航天器的相对运动构型掌握，以此为空间安全预警、规避的开展提供信息层面的保障。
附图说明
[0053]图1为中心航天器(参考点)S与非合作空间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的航天器相对运动构形识别方法，其特征在于，包括：获取空间航天器与中心航天器之间的位置信息，确定神经网络模型输入节点、隐含层节点、输出节点信息与数量以及各层间激活函数；根据空间航天器与中心航天器之间的位置信息构建航天器相对运动构形数据集；根据航天器相对运动构形数据集构建神经网络模型；将目标航天器的运动状态信息输入神经网络模型进行航天器相对运动构形识别。2.根据权利要求1所述的一种基于神经网络的航天器相对运动构形识别方法，其特征在于，所述神经网络模型输入节点选择为“相对位置”、“相对速度”信息，输出节点与相对运动构型数量N相同；隐含层激活函数和输出层激活函数使用Sigmiod函数。3.根据权利要求1所述的一种基于神经网络的航天器相对运动构形识别方法，其特征在于，所述航天器相对运动构形样式包括：交会、顺漂、逆漂、水滴顺向掠飞、水滴逆向掠飞、水滴顺向绕飞、水滴逆向绕飞、椭圆绕飞、椭圆前向掠飞和椭圆后向掠飞。4.根据权利要求1所述的一种基于神经网络的航天器相对运动构形识别方法，其特征在于，所述航天器相对运动构形数据集的构建，具体包括：在近圆轨道下，将控制量引入C
‑
W方程，得到相对运动控制方程为依据各个相对构型的特点进行运动推演仿真，整合轨迹数据，构建航天器相对运动构形数据集；其中符号的含义为：x——相对坐标系下轨道径向的位置分量；y——相对坐标系下飞行方向的位置分量；z——相对坐标系下轨道角动量方向的位置分量；——相对坐标系下轨道径向的速度分量；——相对坐标系下飞行方向的速度分量；——相对坐标系下轨道角动量方向的速度分量；——相对坐标系下轨道径向的加速度分量；——相对坐标系下飞行方向的加速度分量；——相对坐标系下轨道角动量方向的加速度分量。5.根据权利要求1所述的一种基于神经网络的航天器相对运动构形识别方法，其特征在于，所述根据航天器相对运动构形数据集Dataset构建神经网络模型，具体包括：S1：从航天器相对运动构型数据集中随机选取数据构建训练数据集与...

【专利技术属性】
技术研发人员：党朝辉，孙钦伯，唐生勇，肖余之，卫国宁，吴斌，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：