[發明專利]一種基于隨機森林的軌道預報精度改進方法

有效

• 申請號: 201810698884.0
• 申請日: 2018-06-29
• 公開（公告）號: CN108875244B
• 公開（公告）日: 2020-05-12
• 發明（設計）人: 廖川;徐明;潘曉
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/00
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 李晶堯

一種基于隨機森林的軌道預報精度改進方法，首先獲取衛星兩行根數歷史數據，初始化隨機森林、SGP4模型參數、精確衛星軌道預報模型、誤差簡化衛星軌道預報模型，然后解構得到衛星在軌實際狀態，利用精確衛星軌道預報模型、誤差簡化衛星軌道預報模型分別進行衛星軌道預報，得到精確衛星軌道預報仿真狀態、衛星軌道預報誤差仿真狀態，最后聯合得到訓練數據集、應用數據集，并使用隨機森林中進行分類器訓練，得到大氣模型修正值、改進后的精確衛星軌道預報模型，完成衛星軌道預報。

技術領域

本發明涉及一種軌道預報精度改進方法，更特別地說，是利用數據挖掘方法中的隨機森林方法，開發一種挖掘大氣模型修正值并以此提高軌道預報精度的方法。

背景技術

軌道預報，即從當前衛星在軌狀態出發，計算一定預報時間后衛星的在軌狀態，精確的軌道預報是衛星軌道設計、跟蹤監測、GPS導航定位的基礎。對于低軌衛星而言，大氣阻力是造成其軌道衰減最主要的攝動力，然而大氣具有相當的不確定性，實際上衛星在軌運行的過程中受到的大氣阻力是時刻變化的，目前尚未完全研究透徹大氣密度變化規律的情況下，各類大氣模型基本是半經驗公式，這會對低軌衛星軌道預報造成較大的誤差。

有許多學者使用數據挖掘方法中的神經網絡方法改進軌道預報精度或修正大氣模型，例如，北京衛星導航中心的李曉杰在其公開的論文《神經網絡在北斗導航衛星軌道預報中的應用》中與北京市遙感信息研究所的黃金在其公開的論文《基于神經網絡模型的地球同步衛星高精度軌道預報》中均是利用BP神經網絡進行軌道預報精度補償，將某歷史時刻的軌道預報誤差作為訓練樣本，利用訓練好的神經網絡模型補償當前的預報軌道以提高軌道預報精度，但是該方法存在一定的改進失敗率，且BP神經網絡的本質為梯度下降法，收斂速度十分緩慢，計算負擔較大，對訓練樣本的要求也較高；裝備學院的朱俊鵬在其公開的論文《長短時記憶神經網絡在衛星軌道預報中的研究》中公開一種利用長短時記憶神經網絡進行軌道預報的思路和改進的模型，該方法擺脫了動力學模型，將一段較長的歷史軌道數據作為訓練樣本，利用長短時記憶神經網絡直接預報，但是因為擺脫了動力學模型，使得衛星在精密定軌、交會對接上，還存在較大的誤差；中國科學技術大學數學科學學院的常欣卓在其公開的論文《基于非線性自回歸神經網絡的局部大氣密度預測方法》中利用兩行根數(TLE)對NRLMSISE-00大氣模型校準得到沿軌道的局部化密度模型，基于非線性自適應回歸神經網絡(NARX)構建大氣密度預測模型，該模型結合校準后MSIS模型以及太陽與地磁活動指數來預測未來一段時間內局部大氣密度，相較于MSIS模型，預測的準確性有了明顯的提升，為不同經緯度不同高度大氣密度的反演與預測提供了思路，但是TLE數據精度僅在千米量級，而且包含大量的噪聲，對于神經網絡的訓練會產生不利影響。

發明內容

本發明的技術解決問題是：本發明針對現有技術在TLE數據體量不夠巨大的情況下精度不高的問題，保證改進成功率，大幅降低計算負擔，降低TLE數據中噪聲對計算的影響，提出一種基于隨機森林的軌道預報精度改進方法。

本發明的技術解決方案是：一種基于隨機森林的軌道預報精度改進方法，步驟如下：

(1)獲取文本形式的衛星兩行根數歷史數據，設置隨機森林的決策樹數量、單棵決策樹最大特征數量，初始化SGP4模型參數、精確衛星軌道預報模型、誤差簡化衛星軌道預報模型，兩種軌道預報模型區別在于如下處理：

(2)利用SGP4模型解構衛星兩行根數歷史數據，得到衛星在軌實際狀態；

(3)利用精確衛星軌道預報模型、誤差簡化衛星軌道預報模型分別進行衛星軌道預報，預報間隔為兩個相鄰衛星兩行根數數據點的時間間隔，得到精確衛星軌道預報仿真狀態、衛星軌道預報誤差仿真狀態；

(4)聯合精確衛星軌道預報仿真狀態、衛星軌道預報誤差仿真狀態得到訓練數據集，聯合衛星在軌實際狀態、精確衛星軌道預報仿真狀態得到應用數據集，將訓練數據集導入到隨機森林中進行分類器訓練；