[發(fā)明專利]一種分布估計方法

有效

• 申請?zhí)枺?/td>: 201711250676.6
• 申請日: 2017-12-01
• 公開（公告）號: CN108022045B
• 公開（公告）日: 2021-05-14
• 發(fā)明（設計）人: 張忠山;褚驍庚;陳英武;陳宇寧;呂濟民;陳盈果;陳成;王濤;劉曉路;邢立寧;姚鋒;賀仁杰
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06K9/62;G06N3/12
• 代理公司: 北京匯智勝知識產權代理事務所(普通合伙) 11346
• 代理人: 石輝

本發(fā)明公開了一種分布估計方法，該方法包括：Step1，每次對當前目標進行成像時，目標識別星先提取目標發(fā)現(xiàn)星提供的前瞻信息；Step2，根據(jù)目標過濾知識中的三個閾值參數(shù)，刪除前瞻信息中觀測價值較低的目標；Step3，調用調度算法集中的多種啟發(fā)式算法生成多個局部觀測方案，該步驟可并行計算，局部觀測方案是指衛(wèi)星在當前狀態(tài)下僅根據(jù)前瞻時間窗內的目標信息所生成的觀測方案；Step4，根據(jù)方案評估知識中評估參數(shù)結合相關評估方法，對各個局部觀測方案進行綜合評價；Step5，選定得分最高的局部觀測方案并鎖定方案中的第一個目標作為下一觀測目標。

技術領域

本發(fā)明涉及衛(wèi)星技術領域，特別是涉及一種分布估計方法。

背景技術

目前的敏捷衛(wèi)星的調度方法是通過設置一個低分辨率目標發(fā)現(xiàn)星(全稱為“目標發(fā)現(xiàn)衛(wèi)星”)和一個敏捷高分辨率目標識別星(全稱為“目標識別衛(wèi)星”)組成的雙星星簇，目標發(fā)現(xiàn)星飛在星簇前端，利用低分辨率相機對星下線兩側的較大區(qū)域進行推掃成像，并能實時提取成像區(qū)域內的有關目標信息。目標識別星實時接收目標發(fā)現(xiàn)星所提取的目標信息，提前100s獲取目標的位置信息、成像時長、和觀測收益。目標識別星在對某一目標進行成像時，根據(jù)前瞻信息在星上快速決策下一個要觀測的目標。由這兩種衛(wèi)星組成的星簇能夠有效解決了海面目標識別的目標場景，利用一次過境的機會即可對海面的多個目標進行識別。

但是，由于目標識別星每次決策時僅可獲取目標分布的局部信息(僅獲取前瞻時間窗內的目標信息，而非整個場景的任務分布信息)，所以在每次決策下一個觀測目標時容易造成“短視”的問題。尤其當場景周期變長，衛(wèi)星的固存和電量約束為緊約束時，這些資源約束可能無法支撐目標識別星在一軌內對過多的目標進行成像(高分辨率圖像占用的存儲空間較大)。這種“短視”的決策會導致目標識別星過早地消耗掉固存等星上資源，可能會使衛(wèi)星在后期由于固存等資源不足而不得不放棄某些高收益的目標，從而降低了星簇全局的觀測收益。為了提高星簇的目標識別能力，如何有效解決目標識別星決策“短視”的問題成為了星簇運行管理的關鍵問題。

發(fā)明內容

本發(fā)明的目的在于提供一種分布估計方法來克服或至少減輕現(xiàn)有技術的上述缺陷中的至少一個。

為實現(xiàn)上述目的，本發(fā)明提供一種分布估計方法，所述分布估計方法包括：

Step1，目標識別星獲取輔助決策知識信息，提取目標發(fā)現(xiàn)星提供的前瞻信息，該前瞻信息包括目標位置信息、成像時長和觀測收益；輔助決策知識信息包括目標過濾知識和方案評估知識；

Step2，根據(jù)目標過濾知識中的觀測目標的目標成像時長的過濾閾值threPDR、目標觀測收益的過濾閾值threPro、和目標觀測收益時長比的過濾閾值threPDR，對前瞻時間窗內的目標的觀測固存性價比和觀測電量性價比進行初步的評估，以刪除前瞻信息中觀測價值較低的目標，目標信息主要包括目標位置信息、成像時長和觀測收益，衛(wèi)星的使用約束主要有時間窗約束、姿態(tài)機動約束、固存約束和電量約束；

Step3，調用調度算法集中的多種啟發(fā)式算法生成多個局部觀測方案，該步驟可并行計算，局部觀測方案是指衛(wèi)星在當前狀態(tài)下僅根據(jù)前瞻時間窗內的目標信息所生成的觀測方案，其中，觀測方案通過序列解描述，并利用一個調度解生成器將一個序列解翻譯成一個可行的調度解；

Step4，根據(jù)方案評估知識中的評估參數(shù)結合相關評估方法，利用局部觀測方案的評價函數(shù)對各個局部觀測方案進行綜合評價；

Step5，選定Step4中的得分最高的局部觀測方案，并鎖定該方案中的第一個目標作為下一觀測目標；

目標過濾知識和方案評估知識中的各參數(shù)采用分布估計算法計算得到，所述分布估計算法具體包括：

Step71，種群初始化，利用隨機采樣產生一個在值域中均勻分布的初始種群，并評價每個個體的適應值；