[發明專利]基于機器學習的高軌道衛星光壓模型辨識方法及系統

在審

• 申請號: 202010057017.6
• 申請日: 2020-01-16
• 公開（公告）號: CN111259604A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 張皓;王文彬;石恒
• 申請（專利權）人: 中國科學院空間應用工程與技術中心
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N20/00;G06F119/14
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 馮瑛琪

本發明公開了基于機器學習的高軌道衛星光壓模型辨識方法及系統，涉及航空航天領域。該方法包括：確定原始特征；對全部原始特征進行主特征分析，得到用于建模的特征；根據主特征構建學習集合，通過學習集合對預設的機器學習算法進行學習，得到高軌道衛星光壓模型；對高軌道衛星光壓模型的超參數進行優化；根據優化后的高軌道衛星光壓模型計算高軌道衛星的光壓信息。本發明適用于航天飛行中復雜的光壓攝動力建模，能夠提高后續計算的效率，根據不同衛星的數據生成有針對性的光壓模型，應用面較廣，短時內可很好處理高維數據集且精度較高，有效解決了機器學習算法計算精度提高與計算量需求增加之間的矛盾。

技術領域

本發明涉及航空航天領域，尤其涉及基于機器學習的高軌道衛星光壓模型辨識方法及系統。

背景技術

中高軌導航衛星的太陽光壓攝動力是除地球引力、日月引力外最大的非保守攝動力，與攝動力與衛星姿態控制策略和星體表面材料屬性等有關。受太陽活動、衛星姿態控制誤差以及衛星表面材料老化等影響，光壓攝動力難以精確建模，成為導航衛星精密軌道確定中的主要誤差源。

目前，衛星光壓模型可以分為分析型和經驗型兩種，分析型光壓模型是根據衛星星體結構以及衛星表面材料的反射和吸收特性將衛星表面分成若干部分，分別計算各部分的光壓攝動力分量，然后將結果求和，得到光壓攝動力。經驗型光壓模型基于衛星長期大量在軌數據擬合多項式尋求最優待估參數而得，需要多年的衛星實際在軌數據。

然而，光壓輻射與衛星本身參數狀態密切相關，具有明顯的個體差異性，目前的分析模型都無法根據不同衛星的數據生成有針對性的光壓模型，應用面較窄。

發明內容

本發明所要解決的技術問題是針對現有技術的不足，提供一種基于機器學習的高軌道衛星光壓模型辨識方法及系統。

本發明解決上述技術問題的技術方案如下：

一種基于機器學習的高軌道衛星光壓模型辨識方法，包括：

確定n個用于評價高軌道衛星光壓的原始特征，n≥2；

通過預設的非參數化的特征選擇方法，對全部所述原始特征進行主特征分析，得到用于建模的m個主特征，m≤n；

根據m個所述主特征構建學習集合，通過所述學習集合對預設的機器學習算法進行學習，得到高軌道衛星光壓模型；

通過預設的優化方法對所述高軌道衛星光壓模型的超參數進行優化；

根據優化后的所述高軌道衛星光壓模型計算高軌道衛星的光壓信息。

本發明的有益效果是：本發明提供的基于機器學習的高軌道衛星光壓模型辨識方法，適用于航天飛行中復雜的光壓攝動力建模，本發明提出了一類解決復雜輸入輸出關系建模的框架，即降維-擬合-調參的一體化操作，通過對原始特征進行降維處理，能夠提高后續計算的效率，再通過機器學習算法進行數據擬合，對超參數進行優化，能夠根據不同衛星的數據生成有針對性的光壓模型，應用面較廣，短時內可很好處理高維數據集且精度較高，有效解決了機器學習算法計算精度提高與計算量需求增加之間的矛盾。

本發明解決上述技術問題的另一種技術方案如下：

一種基于機器學習的高軌道衛星光壓模型辨識系統，包括：

獲取單元，用于獲取確定的n個用于評價高軌道衛星光壓的原始特征，n≥2；

降維單元，用于通過預設的非參數化的特征選擇方法，對全部所述原始特征進行主特征分析，得到用于建模的m個主特征，m≤n；

建模單元，用于根據m個所述主特征構建學習集合，通過所述學習集合對預設的機器學習算法進行學習，得到高軌道衛星光壓模型；

優化單元，用于通過預設的優化方法對所述高軌道衛星光壓模型的超參數進行優化；