一种卫星轨道数据的范围控制方法技术

本发明专利技术涉及卫星轨道数据相关领域，具体为一种卫星轨道数据的范围控制方法，本发明专利技术所述的高级神经网络算法采用GPT

【技术实现步骤摘要】
一种卫星轨道数据的范围控制方法


[0001]本专利技术涉及卫星轨道数据相关领域，具体为一种卫星轨道数据的范围控制方法。

技术介绍

[0002]在卫星技术的应用中，对卫星轨道的精确控制是至关重要的。为了实现这一目标，卫星需要安装多种测量设备，包括微小推进器、星间定位设备等，以获取实时轨道数据。
[0003]然而，由于卫星在轨道上的运动状态各异，轨道数据误差较大，传统的静态控制方法已经无法满足需求。因此，需要寻求一种更精确的轨道数据范围控制方法，以保证卫星的稳定运行。

技术实现思路

[0004]本专利技术的目的在于提供一种卫星轨道数据的范围控制方法，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种卫星轨道数据的范围控制方法，包括以下步骤：
[0006]步骤S1、获取卫星测量数据；
[0007]步骤S2、利用高级神经网络的算法，对获取的测量数据进行分析和处理，预测轨道的运动规律，得到预测结果；
[0008]步骤S3、比对卫星测量数据中的观测值和步骤S2中的预测结果，修正数据误差，得到更加准确的轨道数据；
[0009]步骤S4、将修正后的轨道数据传输至卫星，实现即时控制。
[0010]优选的，所述步骤S2中使用的高级神经网络的算法为GPT
‑
3.5Turbo模型，其具体模型处理步骤为：
[0011]步骤a、首先收集卫星测量数据，包括卫星的位置、轨道参数、运动速度参数，并对这些数据进行预处理，消除掉测量误差和噪声，并将数据转化成数字序列格式；
[0012]步骤b、在数据预处理之后，使用GPT
‑
3.5Turbo模型进行训练，以对卫星轨道数据进行预测和分析，在此过程中，需要确定模型的输入和输出格式，以及选择参数和算法；
[0013]步骤c、在模型训练完成后，需要采用交叉验证技术对模型进行测试和调整，以确定模型的准确性和稳定性；
[0014]步骤d、在模型测试和调整之后，将模型应用到卫星轨道数据的范围控制中，首先，将步骤a中卫星测量数据输入到模型中，并经过处理和预测，得出轨道数据的范围信息，然后，将处理后的轨道数据传输至控制设备，进行实时控制。
[0015]优选的，所述步骤a中对数据进行预处理具体包括：在获取卫星位置数据时，使用数据有效性检查进行严格的数据校验，以判断数据是否准确、完整和一致；在数据校验完成后采用数字滤波器进行滤波处理，减少测量误差和噪声对数据预测的影响；当卫星位置数据出现缺失或异常值时，采用线性插值进行数据插值，填补缺失值和消除异常值；在数据完
成上述处理后，使用标准差归一化将数据进行归一化处理，消除不同数据尺度之间的差异。
[0016]优选的，所述步骤b中使用GPT
‑
3.5Turbo模型进行训练具体步骤为：
[0017]步骤一、在预测卫星位置、轨道参数和速度时，将卫星测量数据以及历史轨道数据作为模型的输入，轨道预测误差和下一时刻的轨道数据等作为模型的输出；
[0018]步骤二、在确定模型输入和输出之后，输入近GPT
‑
3.5Turbo模型进行训练，其GPT
‑
3.5Turbo模型具体为：
[0019]text{MultiHead}(Q，K，V)＝text{Concat}(head 1，
…
，head_h)W^0text{Concat}head_i＝text{Attention}(QW_i^Q，KW_i^K，VW_i^V)text{Attention}W_i^Q，W_i^K，W_i^V。
[0020]其中，Q、K、V分别表示输入的查询向量、键向量和值向量；head_i表示第i个头的输出；text为可训练的权重矩阵；text(MultiHead}表示多头自注意力机制，W_i^Q，W_i^K，W_i^V是多头注意力机制中的可训练参数；text{Concat}将多头的输出连接起来，W^0是最终的输出层权重矩阵；
[0021]步骤三、在模型训练之后，对模型采用交叉验证进行评估，检查模型的准确性和稳定性。
[0022]优选的，所述步骤S3中修正数据误差，得到更加准确的轨道数据，其中根据数据分析的结果，采用调整输入数据方法，修正预测结果的误差，具体步骤为：
[0023]步骤S31、通过统计分析和可视化工具，通过统计数据的均值、标准差或分位数等基础统计指标，识别卫星测量数据中的异常点和噪声点，以识别和分析噪声或异常值的来源；
[0024]步骤S32、根据数据分析的结果，利用卡尔曼滤波算法对卫星测量数据中的异常值进行过滤和替换；
[0025]步骤S33、在过滤干扰数据之后，重新采用修正后的数据进行步骤S2中的模型训练，并根据训练后的模型对卫星位置和速度进行预测；
[0026]步骤S34、在完成数据预测后，将预测结果与步骤S1中卫星测量数据进行比对，以检验数据的精度和稳定性。
[0027]优选的，所述步骤S32中利用卡尔曼滤波算法对卫星测量数据中的异常值进行过滤和替换具体步骤包括：
[0028]步骤S321、首先将卫星的位置、速度和加速度状态量定义为系统状态模型，并用系统状态模型表示为如下的线性状态方程：x(k+1)＝A_kx(k)+B_ku(k)+V(k)，其中x(k)表示系统状态，A_k表示状态转移矩阵，B_k表示控制矩阵，u(k)表示控制输入，V(k)表示系统噪声；
[0029]步骤S322、卫星测量数据作为观测量，定义卫星的位置和速度向量为观测模型，观测模型可以表示为如下的线性观测方程：z(k)＝H_kx(k)+w(k)，其中，z(k)表示观测值，H_k表示观测矩阵，w(k)表示测量噪声；
[0030]步骤S323、用方差来描述系统噪声和测量噪声，并在系统状态模型、观测模型和初始状态估计中输入系统噪声和测量噪声；
[0031]步骤S324、对卫星的初始化状态进行估计，其中对于卫星位置和速度预测使用如下的初始状态估计：x(0)＝[pos0，vel0，acc0]，其中pos0，vel0，acc0分别表示卫星的初始
位置、初始速度和初始加速度；
[0032]步骤S325、根据系统状态模型、系统噪声、测量噪声、以及卫星运动规律预测卫星的状态，同时根据观测模型和卫星测量数据对卫星的状态进行修正和更新，并对卡尔曼增益进行计算和更新，进一步提高估计状态的准确性和精度，其中预测卫星的状态和卫星的状态进行修正和更新使用如下的卡尔曼滤波算法公式：
[0033]预测：
[0034]协方差预测：Pk|k
‑
1＝Akpk
‑
1AkT+Qk
[0035]更新：Kk＝Pk|k
‑
1HkT(HkPk|k
‑
1HkT+Rk)
‑1[0036]修正：
[0037]协方差更新：Pk本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种卫星轨道数据的范围控制方法，其特征在于，包括以下步骤：步骤S1、获取卫星测量数据；步骤S2、利用高级神经网络的算法，对获取的测量数据进行分析和处理，预测轨道的运动规律，得到预测结果；步骤S3、比对卫星测量数据中的观测值和步骤S2中的预测结果，修正数据误差，得到更加准确的轨道数据；步骤S4、将修正后的轨道数据传输至卫星，实现即时控制。2.根据权利要求1所述的一种卫星轨道数据的范围控制方法，其特征在于：所述步骤S2中使用的高级神经网络的算法为GPT
‑
3.5Turbo模型，其具体模型处理步骤为：步骤a、首先收集卫星测量数据，包括卫星的位置、轨道参数、运动速度参数，并对这些数据进行预处理，消除掉测量误差和噪声，并将数据转化成数字序列格式；步骤b、在数据预处理之后，使用GPT
‑
3.5Turbo模型进行训练，以对卫星轨道数据进行预测和分析，在此过程中，需要确定模型的输入和输出格式，以及选择参数和算法；步骤c、在模型训练完成后，需要采用交叉验证技术对模型进行测试和调整，以确定模型的准确性和稳定性；步骤d、在模型测试和调整之后，将模型应用到卫星轨道数据的范围控制中，首先，将步骤a中卫星测量数据输入到模型中，并经过处理和预测，得出轨道数据的范围信息，然后，将处理后的轨道数据传输至控制设备，进行实时控制。3.根据权利要求2所述的一种卫星轨道数据的范围控制方法，其特征在于：所述步骤a中对数据进行预处理具体包括：在获取卫星位置数据时，使用数据有效性检查进行严格的数据校验，以判断数据是否准确、完整和一致；在数据校验完成后采用数字滤波器进行滤波处理，减少测量误差和噪声对数据预测的影响；当卫星位置数据出现缺失或异常值时，采用线性插值进行数据插值，填补缺失值和消除异常值；在数据完成上述处理后，使用标准差归一化将数据进行归一化处理，消除不同数据尺度之间的差异。4.根据权利要求2所述的一种卫星轨道数据的范围控制方法，其特征在于：所述步骤b中使用GPT
‑
3.5Turbo模型进行训练具体步骤为：步骤一、在预测卫星位置、轨道参数和速度时，将卫星测量数据以及历史轨道数据作为模型的输入，轨道预测误差和下一时刻的轨道数据等作为模型的输出；步骤二、在确定模型输入和输出之后，输入近GPT
‑
3.5Turbo模型进行训练，其GPT
‑
3.5Turbo模型具体为：text{MultiHead}(Q,K,V)＝text{Concat}(head_1,
…
,head_h)W^Otext{Concat}head_i＝text{Attention}(QW_i^Q,KW_i^K,VW_i^V)text{Attention}W_i^Q,W_i^K,W_i^V。其中，Q、K、V分别表示输入的查询向量、键向量和值向量；head_i表示第i个头的输出；text为可训练的权重矩阵；text{MultiHead}表示多头自注意力机制，W_i^Q,W_i^K,W_i^V是多头注意力机制中的可训练参数；text{Concat}...

【专利技术属性】
技术研发人员：亢瑞晟，王硕，王一一，李白璐，
申请(专利权)人：北京开运联合信息技术集团股份有限公司，
类型：发明
国别省市：