System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind() 一种基于CNN的月球南极探测多目标着陆选址方法技术_技高网
当前位置: 首页 > 专利查询>同济大学专利>正文

一种基于CNN的月球南极探测多目标着陆选址方法技术

技术编号:40497934 阅读:9 留言:0更新日期:2024-02-26 19:26
本发明专利技术涉及一种基于CNN的月球南极探测多目标着陆选址方法,包括以下步骤:收集与月球南极选址相关数据;根据目标选址需求,设计并计算量化空间指标,对指标数据进行归一化处理,形成归一化的指标因子数据集;在满足属性约束条件下,构建训练样本数据集;构建卷积神经网络选址模型,输入训练样本数据集进行训练,挖掘选址知识,获得训练完毕的卷积神经网络选址模型;利用训练完毕的卷积神经网络选址模型进行月球南极着陆选址预测,得到选址预测结果;附加额外的空间约束、属性约束和着陆区最小尺寸约束条件,剔除不适宜着陆区,获得选址结果。与现有技术相比,本发明专利技术具有简化着陆点选择过程,提升大范围开展选址分析的工作效率等优点。

【技术实现步骤摘要】

本专利技术涉及月球南极着陆选址领域,尤其是涉及一种基于cnn的月球南极探测多目标着陆选址方法。


技术介绍

1、月面着陆区的合理选择直接影响到探测工程任务的实施安全和科学目标的实现,因此,选择合适的着陆区是确保月球探测任务成功的重要基础。而着陆点的选择通常会受到一些科学和工程限制因素的影响,选择地表平坦、科研内容集中的区域作为月球着陆点,一直是着陆区选择的目标。目前月球南极着陆区的选择主要由专家的针对一系列限制因素的进行论证并通过经验决定,虽然有将上述两方面综合考虑的选址方法,但自动综合分析整个月球南极并优化着陆区的有效定量模型方法还很少。

2、目前有很多方法可以用来进行月球南极选址预测。已有的选址方法适用的场景往往有限,且多对人工经验的依赖性强。基于指标属性阈值筛选的选址方法,根据探测器性能设计和已有选址经验设定硬约束指标的阈值进行着陆区预筛选,而对于非硬性指标,需要结合专家经验和人工不断尝试选择合适的阈值,效率较低,且难以获取多种指标同时达到较优的结果;基于ahp等方法,需要人工提前设置指标的权重,仅适用于指标数量较少且指标间的相对重要性关系明确的情况,结果的鲁棒性和精确度不高;基于滑动窗口的方法,也依赖于人工设定的窗口优先级得分评估方法(如加权得分值等),计算量较大,且本质上还是以人工设置的打分判定规则为基础。

3、此外,目前对合适的着陆点选择、月表探测科学价值、重点区域可探测性的分析往往是独立进行的,因此忽略了相关的相互关系。例如,在陡峭的撞击坑边缘建立月球科研站只具备有限的研究潜力,原因是无法到达其他感兴趣的地点。因此,需要一种选址指标更加全面的多目标选址方法。


技术实现思路

1、本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于cnn的月球南极探测多目标着陆选址方法。

2、本专利技术的目的可以通过以下技术方案来实现:

3、本专利技术公开了一种基于cnn的月球南极探测多目标着陆选址方法,包括以下步骤:

4、步骤1、收集与月球南极选址相关的空间数据,对所述空间数据重分辨率统一重采样为60m,所述空间数据包括空间变量数据和空间要素数据;

5、步骤2、基于所述空间要素数据与目标选址场景需求,设计并计算量化选址指标,对选址指标数据进行归一化处理,形成归一化的指标数据;所述对指标数据进行归一化处理采用如下公式处理:

6、vi=(vi,ori-vi,min)/(vi,max-vi,min)

7、其中,vi是指标变量i归一化的值,vi,ori、vi,min和vi,max分别是指标变量i的原始值、最小值和最大值;

8、步骤3、在满足基本指标的属性约束条件下,在未来着陆探测区域进行采样,制作卷积神经网络选址模型训练样本,利用归一化的指标数据将所述训练样本构建为训练样本数据集;

9、步骤4、构建卷积神经网络模型,将训练样本数据集输入所述模型进行训练,挖掘选址知识,得到训练完毕的卷积神经网络选址模型;

10、步骤5、利用训练完毕的卷积神经网络选址模型进行月球南极着陆选址预测,得到预测选址结果,评估着陆可行性;

11、步骤6、附加额外的空间约束、属性约束和着陆区最小尺寸约束条件,从选址预测结果中剔除不适宜着陆区,获得选址结果。

12、进一步地,步骤1中所述空间变量数据包括:地形dem,坡度,平均地球可见率,平均太阳可见率,水当量氢含量,温度栅格数据;空间变量数据的重采样方法为双线性插值法;所述空间要素数据包括:点要素:高光照点、水冰点;线要素:地质单元边界;面要素:冷阱、阴影区、地质单元划分。

13、进一步地,步骤2中所述计算量化空间指标包括周围良性地形占比,到高光照点的成本距离,到冷阱、水冰点、阴影区、地质边界的距离,水冰点的密度,地质单元丰富程度。

14、进一步地,所述周围良性地形占比的计算步骤包括:

15、步骤201、良性地形定义为坡度不大于5度的地形表面,将坡度数据按照属性是否不大于5重分类为1和0;

16、步骤202、设计半径为r的滑动窗口对上述重分类的坡度数据求窗口内平均值,r分别取1.5km,2.5km,5km,移动窗口滑动步长为1个栅格;

17、步骤203、利用设计的滑动窗口,分别进行滑动计算,获得地表周围1.5km,2.5km,5km邻域内的良性地形占比。

18、进一步地,所述到高光照点的成本距离的计算步骤为:

19、步骤211、将坡度和平均光照率指标属性值按照自然间断分级法重分类为1-10;其中,重分类后属性值的大小别代表地形成本和能源成本,坡度越小地形成本越小,光照率越高地形成本越小;

20、步骤212、将地形成本和能源成本综合为综合行驶成本,以综合行驶成本为行驶成本面,计算公式为:

21、costall=0.6×costterrain+0.4×costenergy

22、其中:costall为综合行驶成本,costterrain为地形成本,costenergy为能源成本;

23、步骤213、根据所述行驶成本面,利用gis工具计算到高光照点的成本距离。

24、进一步地,所述到冷阱、水冰点、阴影区、地质边界的距离的计算方法为:利用gis工具获取到冷阱、水冰点、阴影区、地质边界距离的空间变量。

25、进一步地,所述地质单元丰富程度的计算方法为:用gis工具的核密度分析工具对获取的地质单元边界数据进行核密度分析,获得核密度结果,来表征地质单元丰富程度。

26、进一步地,所述步骤4具体包括:构建卷积神经网络模型,所述模型的一维卷积神经网络结构共12层,包括输入层、卷积层1、特征归一化层、relu激活函数层1、最大池化层1、卷积层2、batchnorm层、relu激活函数层2、最大池化层2、全连接层、softmax激活层、输出层;

27、从训练样本数据集中随机抽样的80%样本输入到所述模型中进行训练,剩余的20%样本作为测试集,用于挖掘选址知识,得到训练完毕的卷积神经网络选址模型。

28、进一步地,所述步骤5包括:利用训练完毕的卷积神经网络选址模型对全体研究区域进行选址预测,针对每个输入样本,

29、模型输入为:尺寸为1×n,其中n为选址指标数量;

30、模型输出为:1或2,其中1代表适宜着陆区域,2代表不适宜着陆区域;

31、对于得到的选址预测结果,通过判断预测选址结果的基本工程指标是否满足限制条件来进行工程可行性分析。

32、进一步地,步骤6中所述着陆区尺寸约束条件为着陆区最小尺寸:180m×180m,利用gis工具统计每个着陆区块的面积,剔除着陆区中面积范围小于最小尺寸约束的着陆区。

33、与现有技术相比,本专利技术具有以下有益效果:

34、(1)与现有技术相比,本专利技术通过考虑未来月球南极探测可能的任本文档来自技高网...

【技术保护点】

1.一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,步骤1中所述空间变量数据包括:地形DEM,坡度,平均地球可见率,平均太阳可见率,水当量氢含量,温度栅格数据;空间变量数据的重采样方法为双线性插值法;所述空间要素数据包括:点要素:高光照点、水冰点;线要素:地质单元边界;面要素:冷阱、阴影区、地质单元划分。

3.根据权利要求1所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,步骤2中所述计算量化空间指标包括周围良性地形占比,到高光照点的成本距离,到冷阱、水冰点、阴影区、地质边界的距离,水冰点的密度,地质单元丰富程度。

4.根据权利要求3所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,所述周围良性地形占比的计算步骤包括:

5.根据权利要求3所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,所述到高光照点的成本距离的计算步骤为:

6.根据权利要求3所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,所述到冷阱、水冰点、阴影区、地质边界的距离的计算方法为:利用GIS工具获取到冷阱、水冰点、阴影区、地质边界距离的空间变量。

7.根据权利要求3所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,所述地质单元丰富程度的计算方法为:用GIS工具的核密度分析工具对获取的地质单元边界数据进行核密度分析,获得核密度结果,来表征地质单元丰富程度。

8.根据权利要求1所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,所述步骤4具体包括:构建卷积神经网络模型,所述模型的一维卷积神经网络结构共12层,包括输入层、卷积层1、特征归一化层、ReLU激活函数层1、最大池化层1、卷积层2、Batchnorm层、ReLU激活函数层2、最大池化层2、全连接层、Softmax激活层、输出层;

9.根据权利要求8所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,所述步骤5包括:利用训练完毕的卷积神经网络选址模型对全体研究区域进行选址预测,针对每个输入样本,

10.根据权利要求1所述的一种基于CNN的月球南极探测多目标着陆选址方法,其特征在于,步骤6中所述着陆区尺寸约束条件为着陆区最小尺寸:180m×180m,利用GIS工具统计每个着陆区块的面积,剔除着陆区中面积范围小于最小尺寸约束的着陆区。

...

【技术特征摘要】

1.一种基于cnn的月球南极探测多目标着陆选址方法,其特征在于,包括以下步骤:

2.根据权利要求1所述的一种基于cnn的月球南极探测多目标着陆选址方法,其特征在于,步骤1中所述空间变量数据包括:地形dem,坡度,平均地球可见率,平均太阳可见率,水当量氢含量,温度栅格数据;空间变量数据的重采样方法为双线性插值法;所述空间要素数据包括:点要素:高光照点、水冰点;线要素:地质单元边界;面要素:冷阱、阴影区、地质单元划分。

3.根据权利要求1所述的一种基于cnn的月球南极探测多目标着陆选址方法,其特征在于,步骤2中所述计算量化空间指标包括周围良性地形占比,到高光照点的成本距离,到冷阱、水冰点、阴影区、地质边界的距离,水冰点的密度,地质单元丰富程度。

4.根据权利要求3所述的一种基于cnn的月球南极探测多目标着陆选址方法,其特征在于,所述周围良性地形占比的计算步骤包括:

5.根据权利要求3所述的一种基于cnn的月球南极探测多目标着陆选址方法,其特征在于,所述到高光照点的成本距离的计算步骤为:

6.根据权利要求3所述的一种基于cnn的月球南极探测多目标着陆选址方法,其特征在于,所述到冷阱、水冰点、阴影区、地质边界的距离的计算方法为:利用gi...

【专利技术属性】
技术研发人员:冯永玖李浩腾童小华李鹏朔谢欢柳思聪金雁敏王超许雄陈鹏
申请(专利权)人:同济大学
类型:发明
国别省市:

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1