[發明專利]一種機器學習支撐的低軌衛星精密定軌策略

有效

• 申請號: 202011329959.1
• 申請日: 2020-11-24
• 公開（公告）號: CN112580819B
• 公開（公告）日: 2023-06-13
• 發明（設計）人: 呼延宗泊;李恒年;馬鵬斌;姜春生;朱俊;王奧
• 申請（專利權）人: 中國西安衛星測控中心
• 主分類號: G06N20/00
• 分類號: G06N20/00;G01C21/24;B64G1/10
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 戴媛

1.一種機器學習支撐的低軌衛星精密定軌策略，其特征在于，具體按照以下步驟實施：

步驟1、定義軌道確定策略集作為機器學習支撐的低軌衛星精密定軌策略的策略空間；

步驟2、選取觀測、衛星、軌道和空間環境四大類特征作為機器學習訓練樣本的特征；

步驟3、定義軌道確定質量函數作為機器學習所使用的標簽；具體過程為：

步驟3.1、確定某次機器學習支撐的低軌衛星精密定軌策略的樣本時刻t，使用t時刻前3天的星載GNSS數據進行預定軌，得到參考標準軌道；

步驟3.2、使用t時刻后S/X/C頻段跟蹤實際測量數據進行定軌，剔除偏離定軌的理論測量數據與實際測量數據標準差三倍以外的測量野值點后，記錄定軌中實際使用的測量數據量占剔除前測量數據總量的百分比；

步驟3.3、統計步驟3.2中t時刻后定軌理論測量數據與剔除測量野值點后實際測量數據的差的均方根，記為RMS；

步驟3.4、計算步驟3.2中定軌的軌道半長軸與步驟3.1中參考標準軌道的半長軸之差，記為；

步驟3.5、定義質量函數Q，量化評價精密定軌結果，作為定軌標簽：

（1）；

步驟4、將軌道確定策略集和機器學習訓練樣本的特征作為輸入，使用步驟3中定義的標簽，采用自動化的監督學習算法對其進行學習，獲得定軌策略的機器學習模型；

步驟5、根據定軌策略的機器學習模型獲取智能精密定軌策略。

2.根據權利要求1所述一種機器學習支撐的低軌衛星精密定軌策略，其特征在于，步驟1中所述定軌策略的策略空間為一次精密定軌過程中采用的待估模型參數組合、估計參數的分弧段方法和多源數據的權重，其中待估模型參數包括推力、大氣阻力系數、大氣阻力系數變化率、光壓參數、光壓參數變化率、測距系統差、測速系統差、測角系統差、VLBI時延系統差、VLBI時延率系統差、時間系統差、衛星通道時延、測站站址、天線相位中心。

3.根據權利要求1所述一種機器學習支撐的低軌衛星精密定軌策略，其特征在于，步驟2中所述觀測、衛星、軌道和空間環境四大類特征為：

觀測特征包括：觀測時間跨度、觀測數據量、觀測數據類型、觀測數據密度、觀測數據類型所占比例；

衛星特征包括以下觀測數據：衛星總質量、帆板材料類型、衛星體材料類型、衛星結構形狀、衛星帆板面積和衛星本體在不同投影方向上的投影面積；

軌道特征包括：軌道半長軸、軌道偏心率、軌道傾角、升交點赤經、近地點幅角和平近點角；

空間環境特征包括：空間大氣密度、太陽輻射流量、空間磁場分布、中心天體質量、中心天體形狀、中心天體密度分布、中心天體自轉角速度。

4.根據權利要求1所述一種機器學習支撐的低軌衛星精密定軌策略，其特征在于，步驟4具體按照以下步驟實施：

步驟4.1、選取具備不同觀測、衛星、軌道和空間環境特征，分別使用步驟1中定義的軌道確定策略集內不同策略進行定軌；

步驟4.2、每次定軌后，計算質量函數Q，作為相應定軌策略的標簽；

步驟4.3、將步驟4.1中的特征與相應的定軌策略作為輸入，使用步驟4.2中得到的質量函數Q的值作為標簽，采用自動化的監督學習算法對其進行學習，得到獲取質量函數Q值最優的定軌策略的機器學習模型。