[发明专利]基于FDNN的智能航天器控制器和控制方法

说明书

本发明公开了一种基于FDNN的智能航天器控制方法，具体的步骤如下：输入已知数据；对所述已知数据进行模糊表示和神经表示；将所述模糊表示和神经表示的特征进行融合；将融合的模糊表示和神经表示分配到其相应的类别中；输出决策结果。本发明将模糊神经网络分类决策结果与航天器轨迹优化控制相结合，该方法基于大量数据的前提下对新出现的情况进行快速判断，对需要调节校正修改的参数进行更新，以达到对航天器进行轨迹优化从而完成预定任务的目的，使得航天器轨迹优化问题得到快速有效解决，为航天器智能变轨、智能捕捉目标、智能着陆带来了新的思路和解决方案，是航天智能化路上重要的一步。

技术领域

本发明涉及人工智能技术领域，更具体的说是涉及基于FDNN的智能航天器控制器和控制方法。

背景技术

随着人工智能时代的到来，小到百姓生活，大到国家发展战略，随处可见人工智能的身影，对于我国重点发展的航天事业来说也不例外。新兴智能航天器的发展有助于对太空空间的探索。然而，目前智能航天器的发展道路并不顺利，其中有两个很重要的原因如下：一，目前热门的深度学习需要大量高功耗GPU运算，耗能巨大，而目前所发射航天器并不具备搭载大量GPU等有效载荷的能力。二、航天控制中数据的获取极为稀少且数据具有非常大的不确定性，因此对一般神经网络参数的调节较难，训练效果并不十分显著，不能依据一次成功的数据判断下一次目标任务的成功，需要综合学习判断。

现有技术中航天器轨道规划控制器存在如下问题：

1、对于临近轨道航天器轨迹规划问题目前来说通常以数值方法优化问题进行解决，优化问题涉及可控制变量参数庞大，利用传统优化方法进行轨迹优化问题求解时每次迭代参数更新量多运算量大，且更新效率不高也不一定能达到最优解，在航天器规划轨道决策问题中不具有决策实时性，无法满足现代航天器需要具备的自主规划最优轨道的能力。

2、传统深度学习神经网络进行实际问题求解时，网络结构一般固定化，因此对于数据所提取到的学习特征也是较为固定的模式。然而实际所获取数据带有非常大的不确定性，也就是说，随着获取数据量的增加，不可避免地出现一个关键的数据歧义性问题影响神经网络的输出结果，即大数据本身可能包含大量噪声和并不符合实际需要的不可预测、不确定输入数据。这样所涉及到的特征模糊性问题对数据理解和分类决策任务带来了很大的挑战。

因此，如何解决传统航天轨迹优化器中更新参数多，迭代次数多，迭代缓慢是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于FDNN的智能航天器控制器和控制方法，将模糊神经网络分类决策结果与航天器轨迹优化控制相结合，即基于分层混合的模糊神经网络的输出结果作为航天器轨迹优化控制中所需要调节的参数大小。该方法可以基于大量数据的前提下对新出现的情况进行快速判断，对需要调节校正修改的参数进行更新，以达到对航天器进行轨迹优化从而完成预定任务的目的，使得航天器轨迹优化问题得到快速有效解决，为航天器智能变轨、智能捕捉目标、智能着陆带来了新的思路和解决方案，是航天智能化路上重要的一步。

为了实现上述目的，本发明提供如下技术方案：

基于FDNN的智能航天器控制方法，具体的步骤如下：

输入已知数据；

对所述已知数据进行模糊表示和神经表示；

将所述模糊表示和神经表示的特征进行融合；

将融合的模糊表示和神经表示分配到其相应的类别中；

输出决策结果。

优选的，在上述的基于FDNN的智能航天器控制方法中，所述模糊表示的具体步骤包括：输入层中的每个节点都与多个隶属度函数连接，每个输入变量对应描述都将分配给对应的隶属度函数；