[发明专利]基于神经网络的未知机动航天器轨道确定方法

权利要求书

1.基于神经网络的未知机动航天器轨道确定方法，其特征在于：包括如下步骤，

步骤1：建立非合作航天器动力学方程，根据不同的机动方式以及预设观测方式生成神经网络训练所需的样本点，并计算样本点对应的非合作航天器轨道位置以及机动加速度；

步骤1实现方法为，

近地非合作航天器动力学满足如下动力学方程

其中r＝||r||表示与地心距离，a为未知控制量；分别确定观测航天器与目标航天器的初始轨道，设定航天器机动方式，所述航天器机动方式包括常值加速度、三角函数形式加速度；针对不同形式加速度，采用预设连续次数测视线角确定轨道的方式对非合作航天器进行定轨，即用t＝t_i-n,t_i-n+1,…,t_i,…t_i+n-1,t_i+n时刻的测角数据，其中2n+1为连续观测次数，确定t_i时刻的轨道位置以及机动加速度，因此有样本点对应输入输出如下：

其中所述测角数据即视线角，为一个三维的单位矢量；所述轨道位置、机动加速度均为三维变量；

即基于建立的非合作航天器动力学方程(1)，根据不同的机动方式以及预设观测方式生成神经网络训练所需的样本点，同时基于公式(2)计算样本点对应的非合作航天器轨道位置以及机动加速度；

步骤2：基于步骤1中所得的样本点，以均方根误差作为损失函数，通过迭代更新的方式计算神经网络权重，以得到离线训练好的神经网络；

步骤3：将非合作航天器定轨任务中观测得到的连续视线角信息输入到步骤2中得到的神经网络中，神经网络的输出即为当前时刻非合作航天器轨道状态与机动加速度信息。

2.如权利要求1所述的基于神经网络的未知机动航天器轨道确定方法，其特征在于：步骤2实现方法为，

神经网络训练属于回归问题，因此训练过程中用于评价深度神经网络模型预测性能的指标选用网络输出值与期望值的均方根误差，所述指标即损失函数；均方根误差越接近于0，神经网络的性能越好；同时，为避免出现过拟合的现象，在损失函数中引入L2正则化项，对神经网络的权重施加一定的约束，使其无法任意取值；损失函数如下所示：

将步骤1中计算得到的离线样本点代入式(3)中计算当前损失函数值，随机生成神经网络权重w的值，根据当前损失函数值不断更新权重w并重新计算损失函数值，其中神经网络权重w更新公式如式(4)所示：

当损失函数值小于预设值时停止更新，即完成神经网络的训练。

3.如权利要求2所述的基于神经网络的未知机动航天器轨道确定方法，其特征在于：步骤3实现方法为，

将非合作航天器定轨任务中观测得到的连续视线角信息输入到步骤2中得到的神经网络中，神经网络的输出即为当前时刻非合作航天器轨道状态与机动加速度信息：

其中θ_j＝[θ_jx θ_jy θ_jz]^T为时刻j的视线角信息。

4.如权利要求1、2或3所述的基于神经网络的未知机动航天器轨道确定方法，其特征在于：所述神经网络为BP神经网络。