一种基于神经网络结合遗传算法的天基无源探测定轨方法技术

本发明专利技术公开了一种基于神经网络结合遗传算法的天基无源探测定轨方法，定义航天器训练数据发生器，并得到训练数据；标准化训练数据，通过标准化后的数据离线训练深度神经网络；定义改进多种群非支配排序遗传算法，确定合适的参数并以单位视线矢量与单位相对位置矢量叉积的平方和、单位视线矢量与单位相对位置矢量的乘积与1的差作为适应度函数；将改进多种群非支配排序遗传算法与深度神经网络相结合，得到仅测角相对定轨的非线性相对运动模型并部署在感知卫星上，输入相对测量，实现对目标卫星相对轨道的在线确定。本发明专利技术通过对模型输入感知卫星绝对状态和三组相对测量角进行一一映射的方式设置，从而实现对在GEO类型轨道上任意目标的相对定轨。任意目标的相对定轨。任意目标的相对定轨。

【技术实现步骤摘要】
一种基于神经网络结合遗传算法的天基无源探测定轨方法


[0001]本专利技术涉及光学相机相对定轨与导航
，具体为基于深度神经网络和改进非支配遗传算法的天基无源探测定轨方法。

技术介绍

[0002]随着航天活动日益频繁，失效卫星、空间碎片等空间非合作目标的数量迅速增加。近地空间环境成日益恶化趋势，在轨航天器的安全问题越来越突出。因而，增强空间态势感知能力和对失效卫星等空间非合作目标进行诸如维护、离轨清理等在轨自主服务研究具有重要意义，而进行自主在轨服务与增强空间态势感知能力的关键前提是实现目标自主相对定轨。
[0003]目前，自主在轨服务任务中常用的星载测量敏感器主要有微波、激光雷达，相对卫星导航以及光学相机。其中只有光学相机能够全部满足对空间非合作目标进行在轨服务时测量系统简单可靠、体积小、全自主、隐蔽性好等要求。除此之外，基于光学相机无源仅测角的相对定轨系统还具有天然的测量隐蔽性，因而特别适合完成对空间非合作目标的相对定轨测量任务。
[0004]然而，对于线性化观测/相对运动模型来说，仅测角相对定轨系统存在距离的不可观测性问题，即3组角度观测量不足以确定感知卫星与目标卫星之间的相对距离，从而不能确定相对运动状态量。
[0005]目前国内外解决该问题主要有四类着手点：1、从复杂的相对运动动力学入手，研究仅测角相对定轨问题。目前有通过多维卷积理论、非线性QV级数来得到近似相对运动解的方法。但这些方法要求很强的非线性项，非线性项较弱时，产生的效果很容易淹没在测量误差之中，这些方法都只能适用理想条件下的相对轨道确定，在测量噪声干扰情况下的定轨精度还有待提高。2、通过多星测量的方式产生多组角度量测量来实现相对定轨。该方法通过配置辅助测量航天器形成测量基线，从而来引入距离信息，提高可观测性。该方法只适用于多个航天器协同进行任务，从而提高了卫星的成本。3、从感知器轨道机动解决仅测角定轨的可观测性问题。该方法结合轨道机动估距的思想，但是不同的轨道机动也存在不同的可观测性，在实际任务中约束了相对轨道制导的自由度。4、通过测量相机安装存在偏离航天器质心的现象解决相对距离的可观测性问题。该方法通过在线性化的运动动力学基础上叠加独立偏置量来产生可观测性，但是由于偏置位置矢量长度限制，该方法仅适用于近程交会阶段。
[0006]公开号为CN113761809B的中国专利技术专利《一种基于深度神经网络的无源探测定轨方法》于2021年12月7日公开了一种定轨方法，旨在通过使用轨道曲率捕获能力更强的，基于深度神经网络的视线角测量到相对轨道状态非线性映射模型拟合方法来实现无源探测相对定轨，然而，该方法所采用的模型/算法存在相对距离估计较为精确但是相对速度估计精度较低，并且得到目标的相对状态并不完全符合在其轨道上的运动规律，无法实现目标所在轨道具体的演化情况。

技术实现思路

[0007]针对现有技术中定轨速度估计精度差和不完全符合轨道规律的问题，本专利技术提供一种基于神经网络结合遗传算法的天基无源定轨的方法，能够在轻量级星载计算负载情况下对目标进行持续且精确的相对轨道确定。
[0008]一种基于神经网络结合遗传算法的天基无源探测定轨方法，包括以下步骤：步骤1，定义航天器训练数据发生器，并通过该数据发生器得到深度神经网络的训练数据；步骤2，预处理步骤1产生的训练数据，得到标准化后的数据；步骤3，定义深度神经网络，确定合适的参数，通过标准化后的数据离线训练该深度神经网络；步骤4，基于训练后的深度神经网络缩小解的空间范围，具体的，将深度神经网络作为种群个体值的边界取值器，并得到种群个体的取值范围；步骤5，定义改进遗传算法，包括向量差值变异算法、多目标遗传算法和多种群遗传算法，在种群个体的取值范围内得到n个遗传算法种群，并基于改进遗传算法进行迭代寻优；步骤6，将所述非线性相对运动模型部署在感知卫星上，将相对测量角输入模型中，实现对目标卫星相对轨道的在线确定。
[0009]作为优选，步骤4包括步骤4.1，将观测角输入到深度神经网络中，得到一组初始的空间目标相对于观测星的相对运动状态；步骤4.2，将初始相对运动状态相应值向上/下扩展一定比例作为种群中个体值的上/下界。步骤3所述深度神经网络作为步骤5 所述种群中个体值的边界取值器。
[0010]作为优选，步骤5具体为：步骤5.1，构造种群个体，并组成n个遗传算法种群，其中，种群个体包括目标卫星三个维度的位置和速度即六个相对运动状态。步骤5.2，基于多目标遗传算法建立非支配排序算法，其中，多目标遗传算法包括两种适应度函数，分别为单位视线矢量与单位相对位置矢量叉积的平方和、单位视线矢量与单位相对位置矢量的乘积与1的差。步骤5.3，基于拥挤度比较算子建立拥挤度排序算法。步骤5.4，对每个种群内部的个体进行交叉、变异、排序、保留操作实现迭代进化寻优，其中，变异是基于向量差值变异算法实现的，排序是基于非支配排序算法和拥挤度排序算法实现的。步骤5.5，基于多种群遗传算法实现最优个体的保留，具体的，n个种群在每次迭代进化寻优过程中使用移民算子进行相互信息交流，保留每次迭代中n个种群中的最优个体，并以每代最优个体的变化作为迭代终止条件。
[0011]作为优选，交叉和选择算子为模拟二进制交叉和精英保留选择，变异算子为向量差值变异，以单位视线矢量与单位相对位置矢量叉积的平方和、单位视线矢量与单位相对位置矢量的乘积与1的差作为适应度函数进行非支配排序，以拥挤度比较算子进行拥挤度排序，以移民算子作为种群间信息交流的方式，以人工选择算子和精华种群作为判断遗传算法迭代收敛的判据。
[0012]作为优选，非支配排序算法具体为：，其中， x0是空间目标和观测星在t0时刻的相对运动状态，u
i
是由相机采集的图像获得的在t
i
时刻的单位视线矢量， h(t
i ,x0)为t
i
时刻空间目标相对于观测星的单位相对位置矢量， J1为第一适应度函数，表示前k个时刻单位视
线矢量与单位相对位置矢量叉积的平方和，J2为第二适应度函数，表示前k个时刻单位视线矢量与单位相对位置矢量的乘积与1的差。
[0013]作为优选，步骤5.3中基于拥挤度比较算子建立拥挤度排序规则如下：，其中为第i个个体的拥挤度， f
m
为第m个适应度函数。
[0014]作为优选，将模拟二进制交叉和精英保留选择作为种群的交叉和选择算子，具体如下： ,其中和是第j次随机选择中的两个不同父代个体，和是上述两个父代个体交叉得到的两个子代个体，t是个体中的第t位向量，γ
j
是由分布因子η按照：动态随机决定的，u
j
随机取值且服从0
‑
1的均匀分布。交叉完毕后对父代与子代种群进行非支配排序与拥挤度排序，在父代和子代种群各取前n/2个个体组成新的子代种群。
[0015]作为优选，将向量差值变异作为种群的变异算子，具体如下：,其中x1(t)、x2(t)和x3(t)分别为从当前种群中随机选择的三个不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络结合遗传算法的天基无源探测定轨方法，其特征在于，包括以下步骤：步骤1，定义航天器训练数据发生器，并通过该数据发生器得到深度神经网络的训练数据；步骤2，预处理步骤1产生的训练数据，得到标准化后的数据；步骤3，定义深度神经网络，确定合适的参数，通过标准化后的数据离线训练该深度神经网络；步骤4，基于训练后的深度神经网络缩小解的空间范围，具体的，将深度神经网络作为种群个体值的边界取值器，并得到种群个体的取值范围；步骤5，定义改进遗传算法，包括向量差值变异算法、多目标遗传算法和多种群遗传算法，在种群个体的取值范围内得到n个种群，并基于改进遗传算法进行迭代寻优，得到仅测角相对定轨的非线性相对运动模型；步骤6，将所述非线性相对运动模型部署在感知卫星上，将光学相机测量的相对测量角输入该模型中，实现对目标卫星相对轨道的在线确定。2.根据权利要求1所述的基于神经网络结合遗传算法的天基无源探测定轨方法，其特征在于，步骤4具体为：步骤4.1，将观测角输入到深度神经网络中，得到一组初始的空间目标相对于观测星的相对运动状态；步骤4.2，将初始相对运动状态相应值向上/下扩展一定比例作为种群中个体值的上/下界。3.根据权利要求1或2所述的基于神经网络结合遗传算法的天基无源探测定轨方法，其特征在于，步骤5具体为：步骤5.1，构造种群个体，并组成n个遗传算法种群，其中，种群个体包括目标卫星三个维度的位置和速度即六个相对运动状态；步骤5.2，基于多目标遗传算法建立非支配排序算法，其中，多目标遗传算法包括两种适应度函数，分别为单位视线矢量与单位相对位置矢量叉积的平方和、单位视线矢量与单位相对位置矢量的乘积与1的差；步骤5.3，基于拥挤度比较算子建立拥挤度排序算法；步骤5.4，对每个种群内部的个体进行交叉、变异、排序、保留操作实现迭代进化寻优，其中，变异是基于向量差值变异算法实现的，排序是基于非支配排序算法和拥挤度排序算法实现的；步骤5.5，基于多种群遗传算法实现最优个体的保留，具体的，n个种群在每次迭代进化寻优过程中使用移民算子进行相互信息交流，保留每次迭代中n个种群中的最优个体，并以每代最优个体的变化作为迭代终止条件。4.根据权利要求3所述的基于神经网络结合遗传算法的天基无源探测定轨方法，其特征在于，步骤5.2中非支配排序算法具体为：
，其中， x0是空间目标和观测星在t0时刻的相对运动状态，u
i
是由相机采集的图像获得的在t
i
时刻的单位视线矢量， h(t

【专利技术属性】
技术研发人员：龚柏春，马钰权，李爽，廖文和，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：