[發明專利]一種基于監督學習的火星探測飛行軌道精確計算方法及系統在審
| 申請號: | 202010171462.5 | 申請日: | 2020-03-12 |
| 公開(公告)號: | CN111382514A | 公開(公告)日: | 2020-07-07 |
| 發明(設計)人: | 劉宇;曹赫楊;陸丹萍;馬瑞;孫建黨;朱慶華 | 申請(專利權)人: | 上海航天控制技術研究所 |
| 主分類號: | G06F30/20 | 分類號: | G06F30/20;G06N20/10;G06F119/14 |
| 代理公司: | 中國航天科技專利中心 11009 | 代理人: | 胡健男 |
| 地址: | 201109 *** | 國省代碼: | 上海;31 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 基于 監督 學習 火星 探測 飛行 軌道 精確 計算方法 系統 | ||
1.一種基于監督學習的火星探測飛行軌道精確計算方法,其特征在于步驟如下:
步驟一:從完整的火星探測器火星軌道動力學模型中略去攝動項,包括:火星軌道環境下火星大氣阻力、火星高階引力項、火星軌道光壓,得到簡化的火星探測器環火軌道動力學模型;
步驟二:根據火星軌道狀態偏差及地面測定軌系統偏差,步驟一簡化的火星探測器環火軌道動力學模型預測的火星軌道狀態與真實的火星軌道狀態的差,構建火星軌道監督機器學習模型MO_SML;
步驟三:利用當前時間之前的火星探測器飛行軌道測定軌數據構建訓練數據庫,利用訓練數據庫中的數據對步驟二中建立的火星軌道監督機器學習模型MO_SML進行訓練,直到模型MO_SML收斂到所需要的精度,得到訓練好的MO_SML模型;
步驟四:計算所要估計時間與當前時間的間隔△t,根據間隔△t并利用步驟三中訓練好的MO_SML模型計算估計時間的火星探測器軌道估計偏差,同時,采用步驟一中簡化的火星探測器環火軌道動力學模型輸出估計時間的火星探測器軌道狀態估計值;根據估計時間的火星探測器軌道估計偏差和估計時間的火星探測器軌道狀態估計值,得到估計時刻火星探測器飛行軌道的精確估計參數。
2.根據權利要求1所述的一種基于監督學習的火星探測飛行軌道精確計算方法,其特征在于:步驟一:從完整的火星探測器火星軌道動力學模型中略去火星軌道環境下火星大氣阻力、火星高階引力項、火星軌道光壓、太陽活動影響,得到簡化的火星探測器環火軌道動力學模型,具體如下:
根據火星球諧引力項,太陽活動,火星到探測器的位置矢量,太陽到探測器的位置位置矢量,太陽到火星的位置矢量,火星引力常數,太陽引力常數,太陽光壓攝動,第i顆行星對火星探測器的引力項,得到簡化的火星探測器環火軌道動力學模型。
3.根據權利要求1所述的一種基于監督學習的火星探測飛行軌道精確計算方法,其特征在于:步驟二:根據火星軌道狀態偏差及地面測定軌系統偏差,步驟一簡化的火星探測器環火軌道動力學模型預測的火星軌道狀態與真實的火星軌道狀態的差,構建火星軌道監督機器學習模型MO_SML,具體如下:
采用火星軌道狀態偏差及地面測定軌系統偏差構建MO_SML學習模型中的學習變量集L;
采用預測偏差即模型預測的火星軌道狀態與真實的火星軌道狀態的差構建MO_SML學習模型中的目標變量集T;
MO_SML以上述學習變量集L及目標變量集T,采用基于高斯內核的SMV回歸算法進行優化。
4.根據權利要求1所述的一種基于監督學習的火星探測飛行軌道精確計算方法,其特征在于:步驟三:利用訓練數據庫中的數據對步驟二中建立的火星軌道監督機器學習模型MO_SML進行訓練,直到模型MO_SML收斂到所需要的精度,得到訓練好的MO_SML模型,具體如下:
設定模型MO_SML收斂精度閾值,模型MO_SML收斂精度到達所設定的模型MO_SML收斂精度閾值后,停止訓練,得到訓練好的MO_SML模型。
5.根據權利要求1所述的一種基于監督學習的火星探測飛行軌道精確計算方法,其特征在于:簡化的火星探測器環火軌道動力學模型中包括:火星到探測器的位置矢量,太陽到探測器的位置位置矢量,太陽到火星的位置矢量,火星引力常數,太陽引力常數。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于上海航天控制技術研究所,未經上海航天控制技術研究所許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202010171462.5/1.html,轉載請聲明來源鉆瓜專利網。





