一种脉冲星周期估计方法技术

本发明专利技术提供一种脉冲星周期估计方法

【技术实现步骤摘要】
一种脉冲星周期估计方法


[0001]本专利技术涉及脉冲星导航
，尤其涉及一种脉冲星周期的估计方法
。

技术介绍

[0002]近年来，随着深空探测技术的不断发展，对于深空探测器自主天文导航的研究也越来越深入
。
天文导航技术作为比较适合深空探测任务的导航手段，在深空探测领域得到了广泛的应用
。
天文导航根据量测量的不同可分为测角导航
、
测速导航与测距导航
。
传统的天文测角导航方法
(
如星光角距导航
)
受航天器与近天体距离的影响较大，其导航精度往往不能得到保障
。
然而，作为新兴的天文测距导航方法，
X
射线脉冲星导航具有高度稳定的时间标准与超高的定位测量精度，是一种理想的深空探测器导航方法
。
[0003]脉冲星是一种具有稳定自旋周期的高速自旋中子星，不断向宇宙空间辐射稳定的周期性信号
。X
射线脉冲星导航通过测量脉冲信号到达航天器与太阳系质心的时间延迟，进而转化为航天器与太阳系质心之间的距离进行定位
。
然而，由于脉冲星在
X
射线波段发射出的光子信号非常微弱，探测器并不能直接接收到完整的脉冲星周期波，而是接收到一系列光子信号到达探测器的时间
。
为了利用脉冲信号推算出航天器与太阳系质心的时间延迟，需要利用光子到达时间
(Photons Time of Arrive,PTOA)/>对脉冲星周期进行估计以便还原出完整的脉冲信号
。
[0004]目前，频域估计周期与时域估计周期是两种常见的周期估计方法
。1987
年
Leahy
等人首次提出在频域里利用快速傅里叶变化处理
PTOA
信号，估计脉冲星周期
。
但由于快速傅里叶变化要求处理的信号均匀分布，因此需要对
PTOA
数据进行插值，这导致周期估计精度不高
。
在此基础上，周庆勇等人提出使用频域
Lomb
算法处理
PTOA
非均匀数据，
Shen
等人提出基于频率细分与连续
Lomb
算法相结合的周期估计方法，但这些方法存在算法计算量过大，不适合导航实时解算的问题
。
[0005]在时域估计脉冲星周期中，
Leahy
等人提出了经典的基于历元折叠的周期估计方法，并通过
χ2检验函数确定周期
。
随后，
Buccheri,R.
等人提出了使用
Z2检验处理脉冲星数据以估算周期，
De Jager
提出了使用
H
检验以估算周期
。
但这些方法均以折叠轮廓的统计参数作为检验函数，存在受噪声干扰影响大的问题
。
刘劲等人还提出了一种基于压缩感知矩阵的快速周期估计方法，相较于传统估计方法，他们的计算速度有所提高，但计算精度还存在提升空间
。
郑伟等人提出了基于等光子分布的变封装段的脉冲星周期估计方法，通过选取最优
bin
数大幅提升了周期估计精度，但计算量也随之增大
。T.Cassanelli
等人提出了瀑布图主成分分析法，将一维时间序列分割为
M
份，分别进行历元折叠，并将
M
份折叠好的轮廓组合成二维信号，通过观测折叠轮廓的一致程度确定出最优周期，但在实际导航任务中，若观测时间短
、
观测数据量较少，则该方法的周期估计效果不佳
。
上述方法不能很好地解决周期估计精度与计算速度之间的相互制约的问题，与此同时，这些方法均只采用了光子个数信息进行历元折叠，并没有考虑光子能量信息对于轮廓折叠的影响
。

技术实现思路

[0006]本专利技术要解决的技术问题是：针对在利用脉冲星
TOA
数据进行
X
射线脉冲星导航时，由于脉冲星周期估计精度不足导致
X
射线脉冲星导航性能下降的问题，提供了一种结脉冲星周期估计方法，提高脉冲星周期估计精度从而提升
X
射线脉冲星导航性能
。
[0007]为达到上述目的，本专利技术采用的技术方案如下：
[0008]一种脉冲星周期估计方法，利用光子能量信息进行历元折叠，通过反向空间填充曲线将一维轮廓信息转换为二维图像信号，并通过卷积神经网络模型对轮廓图像特征进行识别，确定出最优周期，具体包括以下步骤：
[0009]步骤
1、
统计探测器接收到的脉冲星光子到达时间，结合光子个数信息进行脉冲星轮廓历元折叠前的准备；
[0010]步骤
2、
结合光子能量信息进行脉冲星轮廓的加权历元折叠；
[0011]步骤
3、
利用反向空间填充曲线对折叠出的脉冲星轮廓信号进行编码，在不损坏脉冲星轮廓信号情况下，将一维脉冲星轮廓信号转化为二维图像信号；
[0012]步骤
4、
对脉冲星二维图像信号进行预处理：生成训练集与测试集，并对样本集合进行随机的相位移动以便增强网络训练的泛化能力，最后，标记样本标签；
[0013]步骤
5、
在较大的周期搜索范围内，设置较大的周期搜索步长，进行卷积神经网络1的设计与训练，初步快速缩小周期的搜索范围；
[0014]步骤
6、
结合步骤5的初步搜索结果，缩小周期搜索范围，并设置较小的周期搜索步长，进行卷积神经网络2的设计与训练，精细搜索以确定最优周期
。
[0015]进一步，步骤1的实现方法为，在脉冲星周期估计实验中，总观测时间为
T
ob
，实验周期为
P
，并将整个观测时间段均分为
N
p
段，同时，对于均分后的每一段再按照
T
b
均分为
N
b
份，划分后的每份观测时间段称为
bin
，它们之间的具体关系如下：
[0016]T
ob
＝
N
p
·
P
ꢀꢀ
(1)
[0017]P
＝
T
b
·
N
b
ꢀꢀ
(2)
[0018]结合光子个数信息进行脉冲星轮廓历元折叠前准备的具体操作是：首先，在总观测时间
T
ob
内，将每一个长度为
P
的时间段内到达第
i
个
bin
的光子总数叠加到第一个时间段
T
b
内；其次，统计好每个
bin
中的光子总数
。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种脉冲星周期估计方法，其特征在于：利用光子能量信息进行历元折叠，通过反向空间填充曲线将一维轮廓信息转换为二维图像信号，并通过卷积神经网络模型对轮廓图像特征进行识别，确定出最优周期，具体包括以下步骤：步骤
1、
统计探测器接收到的脉冲星光子到达时间，结合光子个数信息进行脉冲星轮廓历元折叠前的准备；步骤
2、
结合光子能量信息进行脉冲星轮廓的加权历元折叠；步骤
3、
利用反向空间填充曲线对折叠出的脉冲星轮廓信号进行编码，在不损坏脉冲星轮廓信号情况下，将一维脉冲星轮廓信号转化为二维图像信号；步骤
4、
对脉冲星二维图像信号进行预处理：生成训练集与测试集，并对样本集合进行随机的相位移动以便增强网络训练的泛化能力，最后，标记样本标签；步骤
5、
在较大的周期搜索范围内，设置较大的周期搜索步长，进行卷积神经网络1的设计与训练，初步快速缩小周期的搜索范围；步骤
6、
结合步骤5的初步搜索结果，缩小周期搜索范围，并设置较小的周期搜索步长，进行卷积神经网络2的设计与训练，精细搜索以确定最优周期
。2.
根据权利要求1所述的方法，其特征在于，步骤1的实现方法为，在脉冲星周期估计实验中，总观测时间为
T
ob
，实验周期为
P
，并将整个观测时间段均分为
N
p
段，同时，对于均分后的每一段再按照
T
b
均分为
N
b
份，划分后的每份观测时间段称为
bin
，它们之间的具体关系如下：
T
ob
＝
N
p
·
P (1...

【专利技术属性】
技术研发人员：马辛，解天昊，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：