[发明专利]基于贝叶斯网络的航天器干扰因素识别方法

权利要求书

1.一种基于贝叶斯网络的航天器干扰因素识别方法，其特征在于，包括以下步骤：

步骤1，建立表征库：通过对前期获取的干扰表征现象及相应现象对应的识别结果进行干扰表征现象预处理，统计整合，建立表征库；

步骤2，构建航天器干扰因素研判模型：基于表征数据库进行模型构建贝叶斯网络拓扑结构模型；

步骤3，确定叶斯网络拓扑结构模型网络中节点的条件概率：根据步骤2的贝叶斯网络拓扑结构模型，采用极大熵方法确定验前分布参数，确定条件概率；

步骤4，更新叶斯网络拓扑结构模型：基于试验样本数据更新贝叶斯网络条件概率，获取最终的贝叶斯网络拓扑结构模型。

步骤5，基于贝叶斯网络的仿真干扰事件概率评估：利用更新后的叶斯网络拓扑结构模型对案例进行评估，确定模型有效性。

2.根据权利要求1所述一种基于贝叶斯网络的航天器干扰因素识别方法，其特征在于：所述步骤1中，表征库中干扰表征现象包括：高能激光干扰和高功率微波干扰，通过亚原子、粒子或电磁波，将“能量”直接投放到目标上，产生干扰及毁伤效果。

3.根据权利要求1所述一种基于贝叶斯网络的航天器干扰因素识别方法，其特征在于：所述步骤2中，基于表征数据库进行模型构建贝叶斯网络拓扑结构模型具体：通过对在轨干扰表征情况分析，可获取六个方面的异常情况，包括卫星壳体异常、光学载荷异常、热控系统异常、能源系统异常、测控系统异常及星务系统异常，每种异常情况下有分别对应不同的异常情况，通过历史数据和历史判别结果建立各异常情况与干扰类型之间的对应关系，完成贝叶斯网络拓扑结构模型图。

4.根据权利要求1所述一种基于贝叶斯网络的航天器干扰因素识别方法，其特征在于：所述步骤3中，进行贝叶斯网络学习算法中节点条件概率计算时，采取成败型试验确定，通过统计长期在轨案例对条件概率验前分布均值进行确定，采用极大熵方法进行验前分布参数确定。

5.根据权利要求1所述一种基于贝叶斯网络的航天器干扰因素识别方法，其特征在于：所述步骤4中，将累积的长期在轨干扰星上试验数据样本和地面试验样本作为更新信息，对干扰状态组合进行条件概率更新。