基于深度学习与多核学习的GEO卫星形状与姿态识别方法技术

本发明专利技术提供了一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法，包括：获取GEO卫星一年的OCS序列数据；对OCS序列数据进行预处理；基于深度学习网络，构建用于对OCS序列数据进行自动特征提取的C‑RNN模型，所述深度学习网络包括循环神经网络与卷积神经网络；训练C‑RNN模型，获取OCS序列数据的多个特征向量；基于多核学习技术，使用多个核函数对不同特征进行映射，并利用支持向量机对卫星的形状与姿态进行识别。本发明专利技术在不需要先验信息的情况下，结合基于循环神经网络和卷积神经网络的深度学习以及基于支持向量机的多核学习技术，利用纯数据驱动模式，使用OCS序列数据自动识别GEO卫星的形状和姿态。

GEO Satellite Shape and Attitude Recognition Based on Deep Learning and Multi-Core Learning

【技术实现步骤摘要】
基于深度学习与多核学习的GEO卫星形状与姿态识别方法
本专利技术属于GEO卫星形状与姿态识别
，尤其涉及一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法。
技术介绍
目前，空间物体的数量不断增加，空间态势感知(SpaceSituationalAwareness)已成为国际上的重要研究课题之一。地球同步轨道(GEO)是重要的太空资产，验证GEO中所有卫星和物体的状态对于正确评估GEO环境非常重要。同时，详细的空间物体特征(例如形状、姿态和运动状态)可用于准确预测空间物体的轨迹和行为，为空间态势感知提供重要的信息能力保障。光学观测是获取空间物体信息的重要工具，现有的大量光学望远镜仍然是我国观测GEO目标的主要方法，更具体地说，分析员可通过光学观测系统获得的光度序列数据来提取空间物体的形状、大小、姿态、反射率和材料等特征，最终判断空间目标的行为与意图。目前，光学散射截面(OCS)广泛用于表示空间目标的光学散射特性，通过可见光散射特性可以有效识别GEO目标的形状和姿态。由于OCS仅受空间目标几何形状、表面材料、姿态和太阳-空间目标-观测站的相对位置的影响，却与观测距离和观测系统无关，同时，OCS序列数据与光度序列数据可互相转换，因此，OCS序列数据非常适合于空间目标的特征识别。目前，分析人员已经能够通过光度序列数据手动识别卫星的形状和姿态。通常，最常见的识别方法是物理模型(如基于二面元模型的反演方法)和滤波器(如卡尔曼滤波)。基于二面元模型所提出的点配对法要求卫星本体具有朗伯反射特性且三维形状复杂，同时要求卫星帆板具有镜面和朗伯反射特性，且接近平面结构，该方法可以快速反演GEO目标的反射率以及面积。卡尔曼滤波方法将待识别的空间目标特征参数作为系统的未知状态参数进行最优估计，利用无损卡尔曼滤波可以识别空间目标的形状，以及目标的惯性轴指向，该方法识别性能较好、速度也较快。虽然传统的物理模型与滤波方法速度快，但传统方法需要很多先验信息，并且受模型质量的影响很大。此外，从大量观察设备中获取的数据，数据量非常大，人类的手动识别已经不再可行。基于二面元模型的方法首先对目标模型的结构要求很多，其次，该方法要求目标本体反射率、面积对每个观测点的贡献相同，且两个观测点的本体姿态必须相同，此外，该方法要求尽量增大点对之间的时间间隔或者观测站位置间隔，从而提高模型的识别效果，因此，该方法目前并不具备通用性和实用性。卡尔曼滤波方法需要将相角数据和光度序列数据进行融合，因此，需要一定的先验知识，同时，空间目标自身模型参数的不确定性，会造成卡尔曼滤波估计的系统误差。
技术实现思路
本专利技术的目的是提供一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法，在不需要先验信息的情况下，结合基于循环神经网络(RecurrentNeuralNetwork，RNN)和卷积神经网络(ConvolutionalNeuralNetwork，CNN)的深度学习和基于支持向量机(SupportVectorMachine，SVM)的多核学习技术，利用纯数据驱动模式，使用OCS序列数据自动识别GEO卫星的形状和姿态。为达到上述目的，本专利技术通过以下技术方案来具体实现：本专利技术提供一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法，包括：步骤一、获取GEO卫星的光学散射截面特性(OCS)序列数据；步骤二、对OCS序列数据进行预处理；步骤三、基于深度学习网络，构建用于对OCS序列数据进行自动特征提取的C-RNN模型，所述深度学习网络包括循环神经网络与卷积神经网络；步骤四、训练C-RNN模型，获取OCS序列数据的多个特征向量；步骤五、基于多核学习技术，使用多个核函数对不同特征进行映射，并利用支持向量机对卫星的形状与姿态进行识别。所述步骤一中获取GEO卫星的OCS序列数据的方法包括：通过数值计算、实际观测得到的光度序列数据和/或实验室模拟测量中的一种或多种方式获取空间目标的OCS序列数据。进一步的，通过数值计算的方式获取空间目标的OCS序列数据的方法，包括：使用BRDF模型以及OCS计算方法获取空间目标的OCS序列数据；通过实际观测得到的光度序列数据可转换为OCS序列数据，光度序列数据与OCS序列数据的转换关系为：其中，m为光度序列数据(星等)，r为观测设备与空间目标的距离。所述步骤二中，对OCS序列数据进行预处理的方法包括：根据不同观测区间内获得的OCS序列数据所对应的观测几何位置关系，将在不同的观测几何位置关系下得到的OCS序列数据划分到不同的子集，并将每个子集的标签设置为所对应类别的子类；所述观测几何位置关系为太阳、空间目标和测站的位置关系。所述步骤三中，构建用于对OCS序列数据进行自动特征提取的C-RNN模型的方法包括：所述C-RNN模型由编码器、解码器和分类器组成；编码器用于将OCS序列数据作为输入，生成固定长度的特征向量作为输出；解码器通过编码器生成的特征向量重构输入的OCS序列数据；分类器由三个使用ReLU激活函数的全连接层和一个使用sigmoid激活函数的输出层构成；使用编码器产生的特征向量作为输入；使用sigmoid函数将特征向量映射到类别作为输出，获得与GEO卫星输入OCS序列数据对应的形状和姿态。进一步的，C-RNN模型的损失函数为：L＝MSE+loss其中，MSE为用于OCS序列数据重构的损失函数，loss为用于形状和姿态分类过程的损失函数；C-RNN模型训练过程中使用反向传播和梯度下降方法使得总损失最小化。进一步的，编码器中包括两个带有整流线性单元(ReLU)激活函数的1-D卷积层，ReLU函数可表示为：其中，x为输入值；1-D卷积使用一维卷积核对OCS序列数据进行卷积，从而提取出OCS序列数据的特征向量；1-D卷积定义为：其中，为输入的OCS序列数据；n为序列数据的长度；W和k分别表示1-D卷积核和滑动步数；为卷积后的输出向量；m＝n-nk+1，nk为卷积核的大小；每个卷积层之后都有一个dropout层；第二个卷积层后有一层flatten层，该层将多维特征转换为1-D特征；最终得到的具有指定长度的特征向量是通过将flatten层的输出传递到两个全连接层产生的，全连接层使用ReLU激活函数。进一步的，在解码器中，应用了两个门控递归单元(GRU)网络来完成OCS输入信号的重构任务；解码器采用特征向量、采样时间之间的差值ΔtN作为输入，N为采样点的个数；复制特征向量l次，其中l是设定的解码器的输出序列长度；将采样时间点的差值也复制l次；特征向量用于表征OCS序列数据，采样时间来确定重构序列中每个点所在的位置。所述步骤四中，训练C-RNN模型，获取OCS序列数据的多个特征向量的方法包括：将长度为200的OCS序列数据输入到C-RNN模型中；C-RNN模型需要训练2次，第一次将大小为5的卷积核应用于两个CNN层；第二次将大小为3的卷积核应用于两个CNN层，将迭代次数和批量大小分别设置为2000和1000，每一次训练结束后，保存C-RNN模型输出的特征向量；其中，模型中的两个CNN层分别具有60个滤波器和100个滤波器；编码器的输出是嵌入大小为64的特征向量；解码器使用2层单元大小为100的双向GRU层；解码器的输入是长度为65的本文档来自技高网...

【技术保护点】
1.一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法，其特征在于，包括：步骤一、获取GEO卫星的光学散射截面特性(OCS)序列数据；步骤二、对OCS序列数据进行预处理；步骤三、基于深度学习网络，构建用于对OCS序列数据进行自动特征提取的C‑RNN模型，所述深度学习网络包括循环神经网络与卷积神经网络；步骤四、训练C‑RNN模型，获取OCS序列数据的多个特征向量；步骤五、基于多核学习技术，使用多个核函数对不同特征进行映射，并利用支持向量机对卫星的形状与姿态进行识别。

【技术特征摘要】
1.一种基于深度学习与多核学习的GEO卫星形状与姿态识别方法，其特征在于，包括：步骤一、获取GEO卫星的光学散射截面特性(OCS)序列数据；步骤二、对OCS序列数据进行预处理；步骤三、基于深度学习网络，构建用于对OCS序列数据进行自动特征提取的C-RNN模型，所述深度学习网络包括循环神经网络与卷积神经网络；步骤四、训练C-RNN模型，获取OCS序列数据的多个特征向量；步骤五、基于多核学习技术，使用多个核函数对不同特征进行映射，并利用支持向量机对卫星的形状与姿态进行识别。2.如权利要求1所述的方法，其特征在于，所述步骤一中获取GEO卫星的OCS序列数据的方法包括：通过数值计算、实际观测得到的光度序列数据和/或实验室模拟测量中的一种或多种方式获取空间目标的OCS序列数据。3.如权利要求2所述的方法，其特征在于，通过数值计算的方式获取空间目标的OCS序列数据的方法，包括：使用BRDF模型以及OCS计算方法获取空间目标的OCS序列数据；通过实际观测得到的光度序列数据可转换为OCS序列数据，光度序列数据与OCS序列数据的转换关系为：其中，m为光度序列数据(星等)，r为观测设备与空间目标的距离。4.如权利要求1所述的方法，其特征在于，所述步骤二中，对OCS序列数据进行预处理的方法包括：根据不同观测区间内获得的OCS序列数据所对应的观测几何位置关系，将在不同的观测几何位置关系下得到的OCS序列数据划分到不同的子集，并将每个子集的标签设置为所对应类别的子类；所述观测几何位置关系为太阳、空间目标和测站的位置关系。5.如权利要求1所述的方法，其特征在于，所述步骤三中，构建用于对OCS序列数据进行自动特征提取的C-RNN模型的方法包括：所述C-RNN模型由编码器、解码器和分类器组成；编码器用于将OCS序列数据作为输入，生成固定长度的特征向量作为输出；解码器通过编码器生成的特征向量重构输入的OCS序列数据；分类器由三个使用ReLU激活函数的全连接层和一个使用sigmoid激活函数的输出层构成；使用编码器产生的特征向量作为输入；使用sigmoid函数将特征向量映射到类别作为输出，获得与GEO卫星输入OCS序列数据对应的形状和姿态。6.如权利要求5所述的方法，其特征在于，C-RNN模型的损失函数为：L＝MSE+loss其中，MSE为用于OCS序列数据重构的损失函数，loss为用于形状和姿态分类过程的损失函数；C-RNN模型训练过程中使用反向传播和梯度下降方法使得总损失最小化。7.如权利要求5所述的方法，其特征在于，编码器中包括两个带有整流线性单元(ReLU)激活函数的1-D卷积层，ReLU函数可表示为：其中，x为输入值...

【专利技术属性】
技术研发人员：霍俞蓉，李智，方宇强，徐灿，张峰，卢旺，
申请(专利权)人：中国人民解放军战略支援部队航天工程大学，
类型：发明
国别省市：北京,11