[發明專利]基于結構化神經網絡的成像任務可調度性預測方法

有效

• 申請號: 201711430632.1
• 申請日: 2018-05-31
• 公開（公告）號: CN108717572B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 何敏藩;邢立寧;白國慶;石建邁;王銳;譚旭;陳劍;黃勇;熊彥;甘文勇
• 申請（專利權）人: 佛山科學技術學院;佛山市有義家科技有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 廣東廣信君達律師事務所 44329
• 代理人: 楊曉松

1.基于結構化神經網絡的成像任務可調度性預測方法，其特征在于：通過對任務規劃結果樣本集特征值的構造與提取，構建結構化神經網絡模型，使其在學習過程中建立任務特征值和衛星能力之間的非線性映射關系，從而完成對成像任務的可調度性預測；

具體步驟如下：

S1、對調度場景和成像任務的定義：

調度場景：{S_i＝J_i,O_i,C|i＝0,...,n}，其中，J_i為分配到衛星i的任務集，SubJ_i表示任務集J_i的子集，SubJ_i中每個任務對衛星i具有的成像機會集合為W_i，C為衛星使用約束集合；

任務job_i＝pi,d_i,w_oi,wf_i，p_i∈[1,8]為其優先級，越大表示越重要；d_i表示job_i的成像持續時間，任務job_i須在給定時間[w_oi,w_fi]范圍內安排觀測；

假設o_sj和o_ej分別表示成像機會j的開始時間與結束時間，則job_i所有成像機會表示為O_i＝{o_s1,o_e1,sl₁,...,o_sj,o_ej,sl_j,...,o_sm,o_em,sl_m}，其中sl_j表示job_i在成像機會j中對應的側擺角度；

假設job_i的特征向量定義為{f₁,f₂,f₃,f₄,f₅}，其中

f₁:Duration_i＝d_i，

f₂:Priority_i＝p_i∈[1,8]，

f₃:

f₄:

f₅:Conflict_i，表示job_i與其他任務觀測機會的沖突情況；

S2、構建結構化神經網絡模型；

S3、確定輸入層神經節點和輸出層神經節點；

S4、經過多組數據訓練學習后進行成像任務的可調度性預測。

2.根據權利要求1所述的基于結構化神經網絡的成像任務可調度性預測方法，其特征在于：步驟S2中所述結構化神經網絡模型由多個隱含層節點不同的BP神經網絡集成，每個BP神經網絡各節點之間所有的連接關系均基于現實實際系統的因果關系而構建。

3.根據權利要求1所述的基于結構化神經網絡的成像任務可調度性預測方法，其特征在于：所述輸入層神經節點對應{f₁,f₂,f₃,f₄,f₅}五個特征值；輸出層神經節點為特征值Scheduled_i＝{-1,1}，任務job_i經過調度若進入成像方案中，則Scheduled_i＝1，表明調度成功；否則Scheduled_i＝-1。