[发明专利]一种机器学习支撑的低轨卫星精密定轨策略有效
申请号: | 202011329959.1 | 申请日: | 2020-11-24 |
公开(公告)号: | CN112580819B | 公开(公告)日: | 2023-06-13 |
发明(设计)人: | 呼延宗泊;李恒年;马鹏斌;姜春生;朱俊;王奥 | 申请(专利权)人: | 中国西安卫星测控中心 |
主分类号: | G06N20/00 | 分类号: | G06N20/00;G01C21/24;B64G1/10 |
代理公司: | 西安弘理专利事务所 61214 | 代理人: | 戴媛 |
地址: | 710043 陕西*** | 国省代码: | 陕西;61 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 机器 学习 支撑 卫星 精密 策略 | ||
1.一种机器学习支撑的低轨卫星精密定轨策略,其特征在于,具体按照以下步骤实施:
步骤1、定义轨道确定策略集作为机器学习支撑的低轨卫星精密定轨策略的策略空间;
步骤2、选取观测、卫星、轨道和空间环境四大类特征作为机器学习训练样本的特征;
步骤3、定义轨道确定质量函数作为机器学习所使用的标签;具体过程为:
步骤3.1、确定某次机器学习支撑的低轨卫星精密定轨策略的样本时刻t,使用t时刻前3天的星载GNSS数据进行预定轨,得到参考标准轨道;
步骤3.2、使用t时刻后S/X/C频段跟踪实际测量数据进行定轨,剔除偏离定轨的理论测量数据与实际测量数据标准差三倍以外的测量野值点后,记录定轨中实际使用的测量数据量占剔除前测量数据总量的百分比;
步骤3.3、统计步骤3.2中t时刻后定轨理论测量数据与剔除测量野值点后实际测量数据的差的均方根,记为RMS;
步骤3.4、计算步骤3.2中定轨的轨道半长轴与步骤3.1中参考标准轨道的半长轴之差,记为;
步骤3.5、定义质量函数Q,量化评价精密定轨结果,作为定轨标签:
(1);
步骤4、将轨道确定策略集和机器学习训练样本的特征作为输入,使用步骤3中定义的标签,采用自动化的监督学习算法对其进行学习,获得定轨策略的机器学习模型;
步骤5、根据定轨策略的机器学习模型获取智能精密定轨策略。
2.根据权利要求1所述一种机器学习支撑的低轨卫星精密定轨策略,其特征在于,步骤1中所述定轨策略的策略空间为一次精密定轨过程中采用的待估模型参数组合、估计参数的分弧段方法和多源数据的权重,其中待估模型参数包括推力、大气阻力系数、大气阻力系数变化率、光压参数、光压参数变化率、测距系统差、测速系统差、测角系统差、VLBI时延系统差、VLBI时延率系统差、时间系统差、卫星通道时延、测站站址、天线相位中心。
3.根据权利要求1所述一种机器学习支撑的低轨卫星精密定轨策略,其特征在于,步骤2中所述观测、卫星、轨道和空间环境四大类特征为:
观测特征包括:观测时间跨度、观测数据量、观测数据类型、观测数据密度、观测数据类型所占比例;
卫星特征包括以下观测数据:卫星总质量、帆板材料类型、卫星体材料类型、卫星结构形状、卫星帆板面积和卫星本体在不同投影方向上的投影面积;
轨道特征包括:轨道半长轴、轨道偏心率、轨道倾角、升交点赤经、近地点幅角和平近点角;
空间环境特征包括:空间大气密度、太阳辐射流量、空间磁场分布、中心天体质量、中心天体形状、中心天体密度分布、中心天体自转角速度。
4.根据权利要求1所述一种机器学习支撑的低轨卫星精密定轨策略,其特征在于,步骤4具体按照以下步骤实施:
步骤4.1、选取具备不同观测、卫星、轨道和空间环境特征,分别使用步骤1中定义的轨道确定策略集内不同策略进行定轨;
步骤4.2、每次定轨后,计算质量函数Q,作为相应定轨策略的标签;
步骤4.3、将步骤4.1中的特征与相应的定轨策略作为输入,使用步骤4.2中得到的质量函数Q的值作为标签,采用自动化的监督学习算法对其进行学习,得到获取质量函数Q值最优的定轨策略的机器学习模型。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国西安卫星测控中心,未经中国西安卫星测控中心许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202011329959.1/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种具有上下料功能的超声波清洗装置
- 下一篇:一种提升机的出料口锥斗