CN111369142B - 一种自主遥感卫星任务生成方法 - Google Patents
一种自主遥感卫星任务生成方法 Download PDFInfo
- Publication number
- CN111369142B CN111369142B CN202010142049.6A CN202010142049A CN111369142B CN 111369142 B CN111369142 B CN 111369142B CN 202010142049 A CN202010142049 A CN 202010142049A CN 111369142 B CN111369142 B CN 111369142B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- satellite
- task
- sensing satellite
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Radio Relay Systems (AREA)
Abstract
本发明公开了一种自主遥感卫星任务生成方法,属于遥感卫星运行控制技术领域。该方法首先对遥感卫星属性向量化,以归一化方法对卫星属性向量进行标准化,获得可以被机器所理解的数据编码向量;再建立遥感卫星任务生成训练样本,包括样本和样本评价等要素;设计遥感卫星任务生成网络模型,并根据样本进行学习训练;最后输入需求信息、环境信息等要素,利用网络模型输出新的任务。本发明具有高效率、优化性能好、较好的自主性等特点,适合用于遥感卫星运行控制等领域。
Description
技术领域
本发明涉及遥感卫星运行控制技术领域,特别是指一种自主遥感卫星任务生成方法,可用于遥感卫星星群联合任务规划、卫星星上自主规划、天地一体的卫星运行控制等应用场景。
背景技术
在遥感卫星运行控制领域中可以进行任务生成的方法主要有如下几种,但它们在自主能力和扩展能力上均存在某些缺陷:
(1)操作人员直接根据实际用户需求和卫星运行状态进行任务的编排和生成,该种方法为现在的主流方法,耗时费力,且需要人工全程参与,获得的卫星任务大多数情况并非最优。
(2)利用地面***进行多星任务优化和生成,该方法也是在需求明确且经过专业人员格式化标准化后才可以进行。
(3)利用任务规划方法,间接获得需求的任务情况,不生成元任务而直接进行任务规划和卫星精细调度。这种方法无法保证卫星在任务级方面的最优,容易忽略任务的紧急情况。
发明内容
本发明的目的在于避免上述背景技术中的不足之处而提供一种自主遥感卫星任务生成方法,其具有效率高、优化性能好、自主性较好等特点,适合用于遥感卫星运行控制等领域。
本发明的目的是这样实现的:
一种自主遥感卫星任务生成方法,包括以下步骤:
(1)搜集遥感卫星属性信息,并将遥感卫星属性信息进行向量化;
(2)建立遥感卫星任务生成训练样本,所述遥感卫星任务生成训练样本包括一一对应的任务样本和评价样本;
(3)构建遥感卫星任务生成网络模型,所述遥感卫星任务生成网络模型包括任务解码部分、分类决策部分以及编码部分;
(4)训练遥感卫星任务生成网络模型并利用环境输入和需求输入生成新的任务。
进一步的,所述步骤(1)包括:
(101)搜集遥感卫星属性信息,所述遥感卫星属性信息包括卫星类型、轨道信息、载荷信息、分辨率信息、重访周期、光谱信息,每项遥感卫星属性信息均具有有限种可能情况;
(102)对于各项遥感卫星属性信息,分别选取一个固定数值作为中间值,并在该中间值的领域内选取相应个数的数值,作为该项遥感卫星属性信息各种可能情况的编码值;
(103)以各项遥感卫星属性信息作为分量构造卫星属性向量,对卫星属性向量的各分量进行归一化,使各分量的取值均在0~1之间,得到归一化的卫星属性向量。
进一步的,所述步骤(2)包括:
(201)制作遥感卫星任务样本,每一遥感卫星任务样本具有一个唯一序号,每一遥感卫星任务样本中均包括需求向量、卫星属性向量、态势及环境向量;其中,需求向量包括归一化的以下分量:目标坐标、目标形态、目标类型,态势及环境向量包括归一化的以下分量:卫星对目标的访问时间窗、卫星可用存储资源、卫星可用能量、卫星存量任务;
(202)制作遥感卫星任务评价样本,每一遥感卫星任务评价样本中均包括归一化的以下分量:所属遥感卫星任务样本的序号、观测目标集、完成观测的效用值、资源使用量。
进一步的,所述步骤(3)中的遥感卫星任务生成网络模型由两个循环神经网络及一个全连接网络构成,分别作为任务生成模型的编码器和解码器以及分类决策部分;其中,两个循环神经网络均由长短时记忆核构成,编码器神经网络将信息序列编码为可供机器掌握的特征序列,之后经过全连接网络分类决策后,将特征向量通过解码器神经网络解码为信息序列。
进一步的,所述步骤(4)中训练网络模型时,输入为需求向量和态势及环境向量,输出为对应的卫星属性向量,评价为评价向量及由评价向量构成的评价值,采用反馈调节的方式训练卫星任务生成网络模型;
所述步骤(4)中生成新的任务的方式为:
(401)获得当前的环境参数,包括引导信息、天气情况、需求情况;
(402)输入步骤(401)获得的环境参数,以及新的需求和新的态势及环境信息,对需求和态势及环境信息进行向量化,通过训练完成的卫星任务生成网络模型,获得输出信息,输出为可完成本次需求的卫星属性信息,得到分辨率信息、载荷信息以及光谱信息,完成对需求的任务自动化生成和卫星选择建议。
本发明与背景技术相比具有如下优点:
1、本发明提出了一种自主遥感卫星任务生成方法,克服了现有方法中无遥感卫星管控中无自动化任务生成方法的缺点,改善了遥感卫星资源优化和运行管理的性能。
2、本发明具有较好的实际应用和在轨卫星协同的性能,能够满足遥感卫星多星任务协同规划的应用要求。
附图说明
图1是本发明实施例中的流程示意图。
图2是本发明实施例中的任务生成模型示意图。
图3是本发明实施例中的遥感卫星属性向量示意图。
图4是本发明实施例中的任务生成网络模型结构示意图。
图5是本发明实施例中的观测需求向量示意图。
图6是本发明实施例中的态势及环境向量示意图。
具体实施方式
下面结合附图对本发明做进一步的说明。
如图1所示,一种自主遥感卫星任务生成方法,其包括以下步骤:
(1)搜集遥感卫星属性信息,并将遥感卫星属性信息进行向量化;
(2)建立遥感卫星任务生成训练样本,所述遥感卫星任务生成训练样本包括一一对应的任务样本和评价样本;
(3)构建遥感卫星任务生成网络模型,所述网络模型包括任务解码部分、分类决策部分、编码部分等;
(4)训练网络模型并利用环境输入和需求输入生成新的任务,具体情况如图2所示。
所述步骤(1)包括:
(101)搜集遥感卫星属性信息,所述遥感卫星属性信息包括卫星类型、轨道信息、载荷信息、分辨率信息、重访周期、光谱信息,每项遥感卫星属性信息均具有有限种可能情况,具体情况如图3所示;
(102)对于各项遥感卫星属性信息,分别选取一个固定数值作为中间值,并在该中间值的领域内选取相应个数的数值,作为该项遥感卫星属性信息各种可能情况的编码值;
(103)以各项遥感卫星属性信息作为分量构造卫星属性向量,对卫星属性向量的各分量进行归一化,使各分量的取值均在0~1之间,得到归一化的卫星属性向量。
所述步骤(2)包括:
(201)制作遥感卫星任务样本,每一遥感卫星任务样本具有一个唯一序号,每一遥感卫星任务样本中均包括需求向量、卫星属性向量、态势及环境向量。其中需求向量包括目标坐标、目标形态、目标类型等,参考步骤(1)对其进行向量化,具体组成如图5所示。其中态势及环境向量包括卫星对目标的访问时间窗、卫星可用存储资源、卫星可用能量、卫星存量任务、气象条件等内容,参考步骤(1)对其进行向量化,具体组成如图6所示;
(202)制作遥感卫星任务评价样本,每一遥感卫星任务评价样本中均包括所属遥感卫星任务样本的序号、观测目标集、完成观测的效用值、资源使用量,同时参考步骤(1)对其进行向量化。
所述步骤(3)中,网络模型由两个循环神经网络及一个全连接网络构成,分别作为任务生成模型的编码器和解码器以及分类决策部分;
编码部分网络和解码部分网络均由长短时记忆核构成,使用神经网络进行编码,将信息序列编码为可以供机器掌握的特征序列,之后经过全连接网络分类决策后,将特征向量通过解码部分解码为信息序列,具体情况如图4所示。
所述步骤(4)中,训练卫星任务生成网络模型时,输入为需求向量和态势及环境向量,输出为对应的卫星属性向量,评价为评价向量及由评价向量构成的评价值,采用反馈调节的方式训练卫星任务生成模型;
卫星任务生成时,获得当前环境参数,包括引导信息、天气情况、需求情况等;然后,输入为新的需求和新的态势及环境信息,对需求和态势及环境信息进行向量化,通过训练完成的卫星任务生成网络模型,获得输出信息,输出为可完成本次需求的卫星属性信息,包括分辨率、载荷、光谱等信息等,从而自主完成对需求的任务自动化生成和卫星选择建议。
总之,该方法首先对遥感卫星属性向量化,以归一化方法对卫星属性向量进行标准化,获得可以被机器所理解的数据编码向量;再建立遥感卫星任务生成训练样本,包括样本和样本评价等要素;设计遥感卫星任务生成网络模型,并根据样本进行学习训练;最后输入需求信息、环境信息等要素,利用网络模型输出新的任务。该方法具有高效率、优化性能好、较好的自主性等特点,适合用于遥感卫星运行控制领域中的遥感卫星星群联合任务规划、卫星星上自主规划、天地一体的卫星运行控制等应用。
Claims (1)
1.一种自主遥感卫星任务生成方法,其特征在于,包括以下步骤:
(1)搜集遥感卫星属性信息,并将遥感卫星属性信息进行向量化;包括:
(101)搜集遥感卫星属性信息,所述遥感卫星属性信息包括卫星类型、轨道信息、载荷信息、分辨率信息、重访周期、光谱信息,每项遥感卫星属性信息均具有有限种可能情况;
(102)对于各项遥感卫星属性信息,分别选取一个固定数值作为中间值,并在该中间值的领域内选取相应个数的数值,作为该项遥感卫星属性信息各种可能情况的编码值;
(103)以各项遥感卫星属性信息作为分量构造卫星属性向量,对卫星属性向量的各分量进行归一化,使各分量的取值均在0~1之间,得到归一化的卫星属性向量;
(2)建立遥感卫星任务生成训练样本,所述遥感卫星任务生成训练样本包括一一对应的任务样本和评价样本;包括:
(201)制作遥感卫星任务样本,每一遥感卫星任务样本具有一个唯一序号,每一遥感卫星任务样本中均包括需求向量、卫星属性向量、态势及环境向量;其中,需求向量包括归一化的以下分量:目标坐标、目标形态、目标类型,态势及环境向量包括归一化的以下分量:卫星对目标的访问时间窗、卫星可用存储资源、卫星可用能量、卫星存量任务;
(202)制作遥感卫星任务评价样本,每一遥感卫星任务评价样本中均包括归一化的以下分量:所属遥感卫星任务样本的序号、观测目标集、完成观测的效用值、资源使用量;
(3)构建遥感卫星任务生成网络模型,所述遥感卫星任务生成网络模型包括任务解码部分、分类决策部分以及编码部分;遥感卫星任务生成网络模型由两个循环神经网络及一个全连接网络构成,分别作为任务生成模型的编码器和解码器以及分类决策部分;其中,两个循环神经网络均由长短时记忆核构成,编码器神经网络将信息序列编码为可供机器掌握的特征序列,之后经过全连接网络分类决策后,将特征向量通过解码器神经网络解码为信息序列;
(4)训练遥感卫星任务生成网络模型并利用环境输入和需求输入生成新的任务;训练网络模型时,输入为需求向量和态势及环境向量,输出为对应的卫星属性向量,评价为评价向量及由评价向量构成的评价值,采用反馈调节的方式训练卫星任务生成网络模型;生成新的任务的方式为:
(401)获得当前的环境参数,包括引导信息、天气情况、需求情况;
(402)输入步骤(401)获得的环境参数,以及新的需求和新的态势及环境信息,对需求和态势及环境信息进行向量化,通过训练完成的卫星任务生成网络模型,获得输出信息,输出为可完成本次需求的卫星属性信息,得到分辨率信息、载荷信息以及光谱信息,完成对需求的任务自动化生成和卫星选择建议。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142049.6A CN111369142B (zh) | 2020-03-04 | 2020-03-04 | 一种自主遥感卫星任务生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010142049.6A CN111369142B (zh) | 2020-03-04 | 2020-03-04 | 一种自主遥感卫星任务生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111369142A CN111369142A (zh) | 2020-07-03 |
CN111369142B true CN111369142B (zh) | 2023-04-18 |
Family
ID=71211216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010142049.6A Active CN111369142B (zh) | 2020-03-04 | 2020-03-04 | 一种自主遥感卫星任务生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111369142B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113128903A (zh) * | 2021-05-06 | 2021-07-16 | 中国电子科技集团公司第五十四研究所 | 一种卫星任务需求配置方法及*** |
CN115984647B (zh) * | 2022-12-19 | 2023-06-30 | 中国科学院空天信息创新研究院 | 面向星群的遥感分布式协同推理方法、装置、介质和卫星 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105281958A (zh) * | 2015-11-04 | 2016-01-27 | 哈尔滨工业大学 | 用于多层卫星网络环境中的卫星覆盖和星间链路分析方法 |
CN109214564A (zh) * | 2018-08-30 | 2019-01-15 | 北京控制工程研究所 | 一种具有多种规划模式的对地遥感卫星自主任务规划方法 |
CN109447151A (zh) * | 2018-10-26 | 2019-03-08 | 成都国星宇航科技有限公司 | 一种基于深度学习的遥感数据分析方法 |
CN109767128A (zh) * | 2019-01-15 | 2019-05-17 | 中国人民解放军国防科技大学 | 基于机器学习的成像卫星自主任务规划方法 |
CN109993224A (zh) * | 2019-03-27 | 2019-07-09 | 中国人民解放军战略支援部队航天工程大学 | 基于深度学习与多核学习的geo卫星形状与姿态识别方法 |
CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
CN110458201A (zh) * | 2019-07-17 | 2019-11-15 | 北京科技大学 | 一种遥感影像面向对象分类方法及分类装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12033079B2 (en) * | 2018-02-08 | 2024-07-09 | Cognizant Technology Solutions U.S. Corporation | System and method for pseudo-task augmentation in deep multitask learning |
-
2020
- 2020-03-04 CN CN202010142049.6A patent/CN111369142B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105281958A (zh) * | 2015-11-04 | 2016-01-27 | 哈尔滨工业大学 | 用于多层卫星网络环境中的卫星覆盖和星间链路分析方法 |
CN109214564A (zh) * | 2018-08-30 | 2019-01-15 | 北京控制工程研究所 | 一种具有多种规划模式的对地遥感卫星自主任务规划方法 |
CN109447151A (zh) * | 2018-10-26 | 2019-03-08 | 成都国星宇航科技有限公司 | 一种基于深度学习的遥感数据分析方法 |
CN109767128A (zh) * | 2019-01-15 | 2019-05-17 | 中国人民解放军国防科技大学 | 基于机器学习的成像卫星自主任务规划方法 |
CN109993224A (zh) * | 2019-03-27 | 2019-07-09 | 中国人民解放军战略支援部队航天工程大学 | 基于深度学习与多核学习的geo卫星形状与姿态识别方法 |
CN110174690A (zh) * | 2019-05-30 | 2019-08-27 | 杭州中科微电子有限公司 | 一种基于长短期记忆网络辅助的卫星定位方法 |
CN110458201A (zh) * | 2019-07-17 | 2019-11-15 | 北京科技大学 | 一种遥感影像面向对象分类方法及分类装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111369142A (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111369142B (zh) | 一种自主遥感卫星任务生成方法 | |
CN109214592A (zh) | 一种多模型融合的深度学习的空气质量预测方法 | |
CN112599124A (zh) | 一种面向电网调度的语音调度方法及*** | |
CN110276372B (zh) | 基于云平台的燃料电池发动机故障诊断方法 | |
CN110232476A (zh) | 一种基于深度学习的微电网负荷预测方法 | |
CN115237896B (zh) | 一种基于深度学习预报空气质量的数据前处理方法及*** | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN116976640B (zh) | 自动化业务生成方法、装置、计算机设备及存储介质 | |
CN110717581A (zh) | 一种基于温度模糊处理和dbn的短期负荷预测方法 | |
CN111859787A (zh) | 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法 | |
CN113361803A (zh) | 基于生成对抗网络的超短期光伏功率预测方法 | |
Huang et al. | Smart energy management system based on reconfigurable AI chip and electrical vehicles | |
CN116596169A (zh) | 一种电力***预测方法、装置及存储介质 | |
CN112118038A (zh) | 一种卫星效能评估方法 | |
CN114757449B (zh) | 一种山水林田湖草综合地质碳汇监测*** | |
CN111523165A (zh) | 一种基于深度学习的建筑辅助设计方法及*** | |
CN106600038A (zh) | 一种基于马尔科夫模型的负荷区间预测方法 | |
CN111225034A (zh) | 基于WebService的水环境安全调控模型动态集成方法和组件 | |
CN115062441A (zh) | 一种配电网接线线路的规划评估方法 | |
CN111414998B (zh) | 一种基于深度神经网络的遥感卫星资源调度算法选择方法 | |
CN111639742A (zh) | 一种脱硫脱硝循环泵状态故障诊断***及方法 | |
CN117892799B (zh) | 以多层次任务为导向的金融智能分析模型训练方法及*** | |
CN111159840A (zh) | 一种数据驱动的新能源不确定集建模方法 | |
CN113411765B (zh) | 一种基于多传感器协同感知的移动智能终端能耗优化方法 | |
CN117560068B (zh) | 一种面向多平台协同观测的卫星任务规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |