[發(fā)明專(zhuān)利]基于深度學(xué)習(xí)與多核學(xué)習(xí)的GEO衛(wèi)星形狀與姿態(tài)識(shí)別方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910239623.7
• 申請(qǐng)日: 2019-03-27
• 公開(kāi)（公告）號(hào): CN109993224B
• 公開(kāi)（公告）日: 2021-02-02
• 發(fā)明（設(shè)計(jì)）人: 霍俞蓉;李智;方宇強(qiáng);徐燦;張峰;盧旺
• 申請(qǐng)（專(zhuān)利權(quán)）人: 中國(guó)人民解放軍戰(zhàn)略支援部隊(duì)航天工程大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G01C21/24
• 代理公司: 北京挺立專(zhuān)利事務(wù)所(普通合伙) 11265
• 代理人: 葉樹(shù)明

本發(fā)明提供了一種基于深度學(xué)習(xí)與多核學(xué)習(xí)的GEO衛(wèi)星形狀與姿態(tài)識(shí)別方法，包括：獲取GEO衛(wèi)星一年的OCS序列數(shù)據(jù)；對(duì)OCS序列數(shù)據(jù)進(jìn)行預(yù)處理；基于深度學(xué)習(xí)網(wǎng)絡(luò)，構(gòu)建用于對(duì)OCS序列數(shù)據(jù)進(jìn)行自動(dòng)特征提取的C?RNN模型，所述深度學(xué)習(xí)網(wǎng)絡(luò)包括循環(huán)神經(jīng)網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)；訓(xùn)練C?RNN模型，獲取OCS序列數(shù)據(jù)的多個(gè)特征向量；基于多核學(xué)習(xí)技術(shù)，使用多個(gè)核函數(shù)對(duì)不同特征進(jìn)行映射，并利用支持向量機(jī)對(duì)衛(wèi)星的形狀與姿態(tài)進(jìn)行識(shí)別。本發(fā)明在不需要先驗(yàn)信息的情況下，結(jié)合基于循環(huán)神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)以及基于支持向量機(jī)的多核學(xué)習(xí)技術(shù)，利用純數(shù)據(jù)驅(qū)動(dòng)模式，使用OCS序列數(shù)據(jù)自動(dòng)識(shí)別GEO衛(wèi)星的形狀和姿態(tài)。

技術(shù)領(lǐng)域

本發(fā)明屬于GEO衛(wèi)星形狀與姿態(tài)識(shí)別技術(shù)領(lǐng)域，尤其涉及一種基于深度學(xué)習(xí)與多核學(xué)習(xí)的GEO衛(wèi)星形狀與姿態(tài)識(shí)別方法。

背景技術(shù)

目前，空間物體的數(shù)量不斷增加，空間態(tài)勢(shì)感知(Space Situational Awareness)已成為國(guó)際上的重要研究課題之一。地球同步軌道(GEO)是重要的太空資產(chǎn)，驗(yàn)證GEO中所有衛(wèi)星和物體的狀態(tài)對(duì)于正確評(píng)估GEO環(huán)境非常重要。同時(shí)，詳細(xì)的空間物體特征(例如形狀、姿態(tài)和運(yùn)動(dòng)狀態(tài))可用于準(zhǔn)確預(yù)測(cè)空間物體的軌跡和行為，為空間態(tài)勢(shì)感知提供重要的信息能力保障。光學(xué)觀測(cè)是獲取空間物體信息的重要工具，現(xiàn)有的大量光學(xué)望遠(yuǎn)鏡仍然是我國(guó)觀測(cè)GEO目標(biāo)的主要方法，更具體地說(shuō)，分析員可通過(guò)光學(xué)觀測(cè)系統(tǒng)獲得的光度序列數(shù)據(jù)來(lái)提取空間物體的形狀、大小、姿態(tài)、反射率和材料等特征，最終判斷空間目標(biāo)的行為與意圖。目前，光學(xué)散射截面(OCS)廣泛用于表示空間目標(biāo)的光學(xué)散射特性，通過(guò)可見(jiàn)光散射特性可以有效識(shí)別GEO目標(biāo)的形狀和姿態(tài)。由于OCS僅受空間目標(biāo)幾何形狀、表面材料、姿態(tài)和太陽(yáng)-空間目標(biāo)-觀測(cè)站的相對(duì)位置的影響，卻與觀測(cè)距離和觀測(cè)系統(tǒng)無(wú)關(guān)，同時(shí)，OCS序列數(shù)據(jù)與光度序列數(shù)據(jù)可互相轉(zhuǎn)換，因此，OCS序列數(shù)據(jù)非常適合于空間目標(biāo)的特征識(shí)別。

目前，分析人員已經(jīng)能夠通過(guò)光度序列數(shù)據(jù)手動(dòng)識(shí)別衛(wèi)星的形狀和姿態(tài)。通常，最常見(jiàn)的識(shí)別方法是物理模型(如基于二面元模型的反演方法)和濾波器(如卡爾曼濾波)。基于二面元模型所提出的點(diǎn)配對(duì)法要求衛(wèi)星本體具有朗伯反射特性且三維形狀復(fù)雜，同時(shí)要求衛(wèi)星帆板具有鏡面和朗伯反射特性，且接近平面結(jié)構(gòu)，該方法可以快速反演GEO目標(biāo)的反射率以及面積。卡爾曼濾波方法將待識(shí)別的空間目標(biāo)特征參數(shù)作為系統(tǒng)的未知狀態(tài)參數(shù)進(jìn)行最優(yōu)估計(jì)，利用無(wú)損卡爾曼濾波可以識(shí)別空間目標(biāo)的形狀，以及目標(biāo)的慣性軸指向，該方法識(shí)別性能較好、速度也較快。

雖然傳統(tǒng)的物理模型與濾波方法速度快，但傳統(tǒng)方法需要很多先驗(yàn)信息，并且受模型質(zhì)量的影響很大。此外，從大量觀察設(shè)備中獲取的數(shù)據(jù)，數(shù)據(jù)量非常大，人類(lèi)的手動(dòng)識(shí)別已經(jīng)不再可行。

基于二面元模型的方法首先對(duì)目標(biāo)模型的結(jié)構(gòu)要求很多，其次，該方法要求目標(biāo)本體反射率、面積對(duì)每個(gè)觀測(cè)點(diǎn)的貢獻(xiàn)相同，且兩個(gè)觀測(cè)點(diǎn)的本體姿態(tài)必須相同，此外，該方法要求盡量增大點(diǎn)對(duì)之間的時(shí)間間隔或者觀測(cè)站位置間隔，從而提高模型的識(shí)別效果，因此，該方法目前并不具備通用性和實(shí)用性。

卡爾曼濾波方法需要將相角數(shù)據(jù)和光度序列數(shù)據(jù)進(jìn)行融合，因此，需要一定的先驗(yàn)知識(shí)，同時(shí)，空間目標(biāo)自身模型參數(shù)的不確定性，會(huì)造成卡爾曼濾波估計(jì)的系統(tǒng)誤差。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于深度學(xué)習(xí)與多核學(xué)習(xí)的GEO衛(wèi)星形狀與姿態(tài)識(shí)別方法，在不需要先驗(yàn)信息的情況下，結(jié)合基于循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)的深度學(xué)習(xí)和基于支持向量機(jī)(Support Vector Machine，SVM)的多核學(xué)習(xí)技術(shù)，利用純數(shù)據(jù)驅(qū)動(dòng)模式，使用OCS序列數(shù)據(jù)自動(dòng)識(shí)別GEO衛(wèi)星的形狀和姿態(tài)。

為達(dá)到上述目的，本發(fā)明通過(guò)以下技術(shù)方案來(lái)具體實(shí)現(xiàn)：

本發(fā)明提供一種基于深度學(xué)習(xí)與多核學(xué)習(xí)的GEO衛(wèi)星形狀與姿態(tài)識(shí)別方法，包括：