天线指向标校模型的训练方法技术

本发明专利技术涉及卫星天线标校技术领域，提供一种天线指向标校模型的训练方法

【技术实现步骤摘要】
天线指向标校模型的训练方法、标校系统和参数生成方法


[0001]本专利技术涉及卫星天线标校
，尤其涉及一种天线指向标校模型的训练方法
、
标校系统和参数生成方法
。

技术介绍

[0002]卫星测控需要由地面站的天线对准卫星进行数据传输，天线对准卫星的精确度决定了数据传输的效果
。
指向标校模型核心是建立地面站命令角与实际座架角的误差模型，完成对理论角的误差修正，是自跟踪异常时的一种辅助引导方式
。
[0003]实际工程中，采用精轨卫星或者射电星标校法的
A/E
型天线误差修正模型，是基于轴系误差
、
大盘不水平误差
、
重力变形误差以及大气折射误差等误差机理建立的各误差与天线指向误差的数学模型，称为基本参数模型
。
[0004]基本参数模型采用非线性最小二乘拟合算法对跟踪采集数据进行处理，即可解算出该天线误差修正数学模型的轴系误差修正系数，从而完成对天线指向或测角数据的误差修正
。
[0005]但是实际应用中，采用卫星或者射电星标校的
A/E
型天线误差修正模型存在以下缺点：第一，数据缺失，利用精轨卫星跟踪对天线进行角度标校时，所选择精轨卫星在天球上的轨迹应需均匀分布，方位和俯仰的跟踪弧段，都应该覆盖技术指标对雷达设备的要求，但实际中对于中小口径雷达天线，所能够利用的跟踪轨道有限，跟踪测试点分布可能不太均匀，影响模型的拟合精度
。
[0006]第二，跟踪动态滞后，天线跟踪过境卫星时，由于动态滞后，在高仰角及航捷点附近都有一定的跟踪残差，计算各点空间角度误差时，必须先将动态滞后带来的跟踪残差扣除，因此必须有准确的角误差解调灵敏度数据，才能保证求出的空间角误差真实
、
准确
。
[0007]第三，准备过程繁琐，采用射电星标校时，需要考虑匹配频段
/
口径的射电源
、
匹配射电源的天线
G/T
值
、
射电源的空域分布
、
小口径低流量辐射信号采集等影响因素，初始条件较多，不利于快速获得数据进行标校
。
[0008]因此，需要提供一种天线指向标校模型的训练方法
、
标校系统和参数生成方法，提升模型的精确度和模型的训练速度
。
[0009]在所述
技术介绍
部分公开的上述信息仅用于加强对本申请的背景的理解，因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息
。

技术实现思路

[0010]本专利技术主要目的是克服卫星天线指向标校模型计算精度不高的问题，提供一种天线指向标校模型的训练方法
、
标校系统和参数生成方法，提升模型的精确度和模型的训练速度
。
[0011]为实现上述的目的，本专利技术第一方面提供了一种天线指向标校模型的训练方法，
包括以下步骤：
S1
：初始化神经网络，生成影响天线指向的误差参数的初始权重和初始阈值；
S2
：根据天线指向相关性筛选出相关误差参数；
S3
：根据遗传算法获得相关误差参数的更新权重和更新阈值；
S4
：根据
BP
神经网络进行训练，得到卫星天线指向标校模型
。
[0012]根据本专利技术一示例实施方式，步骤
S1
中，所述影响天线指向的误差参数包括：方位座架角
、
方位座架命令角
、
俯仰数字转模拟输出
、
方位电流
、
俯仰电流
、
方位误差电压
、
俯仰误差电压
、
信号电平
。
[0013]根据本专利技术一示例实施方式，步骤
S2
中，所述根据天线指向相关性筛选出相关误差参数的方法包括：根据跟踪存盘数据做热力图分析，筛选出多个影响天线指向较大的误差参数作为相关误差参数
。
[0014]根据本专利技术一示例实施方式，所述筛选出多个影响天线指向较大的误差参数作为相关误差参数的方法包括：热力图中数值范围为（
‑
1,1
），筛选出表征正相关数据最接近1的前多个误差参数作为相关误差参数
。
[0015]根据本专利技术一示例实施方式，步骤
S3
中，所述根据遗传算法获得相关误差参数的更新权重和更新阈值的方法包括：
S301
：对相关误差参数的初始权重和初始阈值进行编码；
S302
：建立适应度函数；
S303
：选择操作；
S304
：进行交叉操作；
S305
：进行变异操作；
S306
：计算种群适应度；
S307
：判断是否满足终止条件，如果满足则输出相关误差参数的更新权重和更新阈值；否则重复步骤
S303
至步骤
S307
，直到满足终止条件
。
[0016]根据本专利技术一示例实施方式，步骤
S307
中，所述终止条件包括：重复次数达到遗传代数
。
[0017]根据本专利技术一示例实施方式，步骤
S4
中，所述根据
BP
神经网络进行训练的方法包括：
S401
：获取相关误差参数的更新权重和更新阈值；
S402
：计算误差；
S403
：梯度下降更新网络权重和阈值，得到最终权重和最终阈值；
S404
：判断是否达到训练目的，如果达到训练目的则得到卫星天线指向标校模型；否则重复步骤
S401
至步骤
S404
，直到达到训练目标
。
[0018]根据本专利技术一示例实施方式，步骤
S404
中，所述训练目标包括：模型的损失函数达到指定评价值
。
[0019]作为本专利技术的第二个方面，本专利技术提供一种卫星天线指向标校系统，该系统采用所述的卫星天线指向标校模型的训练方法训练得到
。
[0020]作为本专利技术的第三个方面，本专利技术提供一种卫星天线的指向参数生成方法，包括以下步骤：
根据所述的卫星天线指向标校模型的训练方法训练得到卫星天线指向标校模型；获取初始指向参数；根据初始指向参数和卫星天线指向标校模型获得卫星天线的最终指向参数
。
[0021]本专利技术的优势效果是：本专利技术使用深度学习反向传播网络解决天线指向误差标定的问题，不再依赖传统射电星和精轨卫星的测量数据；在对误差反向传播前，使用遗传算法对网络初始权重和阈值做了优化，提升了模型收敛速度，降低了模型误差
。
将工程领域所用的最小二乘法拟合求标定系数的方法替换为深度学习训练模型，此过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种卫星天线指向标校模型的训练方法，其特征在于，包括以下步骤：
S1
：初始化神经网络，生成影响天线指向的误差参数的初始权重和初始阈值；
S2
：根据天线指向相关性筛选出相关误差参数；
S3
：根据遗传算法获得相关误差参数的更新权重和更新阈值；
S4
：根据
BP
神经网络进行训练，得到卫星天线指向标校模型
。2.
根据权利要求1所述的卫星天线指向标校模型的训练方法，其特征在于，步骤
S1
中，所述影响天线指向的误差参数包括：方位座架角
、
方位座架命令角
、
俯仰数字转模拟输出
、
方位电流
、
俯仰电流
、
方位误差电压
、
俯仰误差电压
、
信号电平
。3.
根据权利要求1所述的卫星天线指向标校模型的训练方法，其特征在于，步骤
S2
中，所述根据天线指向相关性筛选出相关误差参数的方法包括：根据跟踪存盘数据做热力图分析，筛选出多个影响天线指向较大的误差参数作为相关误差参数
。4.
根据权利要求1所述的卫星天线指向标校模型的训练方法，其特征在于，所述筛选出多个影响天线指向较大的误差参数作为相关误差参数的方法包括：热力图中数值范围为（
‑
1,1
），筛选出表征正相关数值最接近1的前多个误差参数作为相关误差参数
。5.
根据权利要求1所述的卫星天线指向标校模型的训练方法，其特征在于，步骤
S3
中，所述根据遗传算法获得相关误差参数的更新权重和更新阈值的方法包括：
S301
：对相关误差参数的初始权重和初始阈值进行编码；
S302
：建立适应度函数；
S303<...

【专利技术属性】
技术研发人员：杨拓，周欢，
申请(专利权)人：北京航天驭星科技有限公司，
类型：发明
国别省市：