[發明專利]基于深度學習的空間非合作目標姿軌一體化參數估計方法

有效

• 申請號: 201810872927.2
• 申請日: 2018-08-02
• 公開（公告）號: CN109284530B
• 公開（公告）日: 2021-05-18
• 發明（設計）人: 袁建平;侯翔昊;張博;馬川;孫沖;崔堯
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06F119/14
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 張弘

1.一種基于深度學習的空間非合作目標姿軌一體化參數估計方法，其特征在于，包括以下步驟：

基于對偶矢量四元數，采用誤差方程建立相對運動學方程，考慮慣量積建立相對動力學方程；

當服務航天器的測量敏感器有關空間非合作目標的測量信息有效時，服務航天器采用擴展卡爾曼濾波算法對空間非合作目標進行參數估計；

當服務航天器的測量敏感器有關空間非合作目標的測量信息失效時，服務航天器采用基于深度學習的空間非合作目標參數估計方法對空間非合作目標的參數進行估計；同時，將估計后的結果用于對擴展卡爾曼濾波器進行重置；

當服務航天器的測量設備不能夠輸出有效測量時，對系統狀態采用單隱層BP神經網絡進行參數估計；將圖像特征的思路用在高維參數估計中，對系統狀態協方差矩陣采用多隱層卷積神經網絡進行參數估計，估計值用于重置擴展卡爾曼濾波器；

BP神經網絡共有三層，分別是：

狀態輸入；

隱層，激活函數為tansig函數；

輸出層，激活函數為purelin函數；

該神經網絡用BP算法離線訓練，當訓練完成后，在測量有效的情況下，該網絡在空間中進行實時更新；

卷積神經網絡共有八層，分別是：

狀態協方差參數輸入；

第一卷積層，針對狀態協方差矩陣的三個特征，即：對角特征:上三角特征:以及下三角特征:對原始輸入進行卷積操作，激活函數為ReLU函數；

第一池化層，采用L2混合，激活函數為ReLU函數；

第二卷積層，針對第一池化層的輸出，進行針對三個特征的卷積操作，激活函數為ReLU函數；

第二池化層，采用最大值混合，激活函數為ReLU函數；

Drop層，用來防止數據過擬合，采用50％概率的dropout層；

全聯接層，激活函數為tansig函數；

輸出層，激活函數為purelin函數；

該卷積神經網絡采用BP算法離線訓練，當訓練完成后，在測量有效的情況下，該網絡在空間中進行實時更新。

2.根據權利要求1所述的基于深度學習的空間非合作目標姿軌一體化參數估計方法，其特征在于，建立相對動力學方程具體步驟為：通過將目標的轉動與平動同時考慮，并將相關轉動與平動參數用對偶矢量四元數參數化而得到帶有具體物理含義的相對參數；同時，基于對偶矢量四元數，采用誤差方程建立相對運動學方程，考慮慣量積建立相對動力學方程。

3.根據權利要求1或2所述的基于深度學習的空間非合作目標姿軌一體化參數估計方法，其特征在于，

基于對偶矢量四元數的運動學模型為：

基于對偶矢量四元數的動力學模型為：

其中：為誤差對偶矢量四元數，為相對速度對偶矢量四元數的估計量，為相對速度對偶矢量四元數，A₁₁＝mI_3×3,A₁₂＝0_3×3,A₂₁＝0_3×3,