CN115600051A - 基于短弧天基光学观测的轨道机动智能检测方法和装置 - Google Patents

基于短弧天基光学观测的轨道机动智能检测方法和装置 Download PDF

Info

Publication number
CN115600051A
CN115600051A CN202211593968.0A CN202211593968A CN115600051A CN 115600051 A CN115600051 A CN 115600051A CN 202211593968 A CN202211593968 A CN 202211593968A CN 115600051 A CN115600051 A CN 115600051A
Authority
CN
China
Prior art keywords
maneuvering
observation
arc
label
current
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.)
Granted
Application number
CN202211593968.0A
Other languages
English (en)
Other versions
CN115600051B (zh
Inventor
罗亚中
李嘉胜
杨震
王�华
郭帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202211593968.0A priority Critical patent/CN115600051B/zh
Publication of CN115600051A publication Critical patent/CN115600051A/zh
Application granted granted Critical
Publication of CN115600051B publication Critical patent/CN115600051B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/24—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for cosmonautical navigation
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Automation & Control Theory (AREA)
  • Image Analysis (AREA)

Abstract

本申请属于太空态势感知技术领域，涉及基于短弧天基光学观测的轨道机动智能检测方法和装置。方法包括：获取多组属于不同空间目标的历史观测弧段，得到优选弧段；根据优选弧段，确定时间上相邻的观测弧段的初始轨道；以初始轨道作为初值进行最小二乘迭代，得到轨道改进结果；将轨道改进结果转换为轨道根数，得到机动特征参数；为每条机动特征参数打上机动标签，建立标签模型；通过短弧天基光学观测，获得当前观测弧段，得到当前机动标签；根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。采用本申请能够对天基短弧光学观测片段进行机动检测。

Description

基于短弧天基光学观测的轨道机动智能检测方法和装置
技术领域
本申请涉及太空态势感知技术领域，特别是涉及基于短弧天基光学观测的轨道机动智能检测方法和装置。
背景技术
随着航天技术的不断发展，在轨卫星的机动呈现出越来越频繁的特点，在轨卫星各类活动的开展与实施均以卫星轨道机动为基础，因此对在轨卫星轨道机动进行检测显得尤为重要，在卫星行为意图识别与异常事件感知等方面有着重要应用。
若能对重点空间目标的轨道异常机动行为提早进行检测，就能够对即将发生的可能对我方空间目标造成不利的接近事件或其他威胁进行尽早规避，因此，对空间目标进行机动检测渐渐成为一个重要课题。
然而，该问题面临两个难题：一是对于脉冲轨道机动，由于机动前后空间目标的轨道速度出现了较大程度的变化，直接对所获得的观测数据弧段进行精密轨道确定通常会出现发散而导致难以收敛从而定轨失败；二是由于天基光学观测通过单次观测所得到的观测数据弧段所跨越的时间长度较短，其时间长度通常不超过两分钟，甚至在一分钟以内，这种观测数据弧段被称为短弧观测片段，由于单个短弧观测片段时间长度较短，空间目标轨道确定的精度难以保证。上述两方面的难题导致现有技术难以实现对天基短弧光学观测数据的轨道脉冲机动检测。
发明内容
基于此，有必要针对上述技术问题，提供一种基于短弧天基光学观测的轨道机动智能检测方法和装置，能够对天基短弧光学观测片段进行机动检测，同时兼顾算法的计算效率。
基于短弧天基光学观测的轨道机动智能检测方法，包括：
获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段；
根据所述优选弧段，对属于相同空间目标的观测弧段按照时间顺序排列，并确定时间上相邻的观测弧段的初始轨道；
以所述初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果；
将所述轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数；
为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型；
通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签；
根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。
在一个实施例中，获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段，具体为：
获取多组属于不同空间目标的历史观测弧段，所述历史观测弧段包括：赤经和赤纬；
采用二次多项式对所述历史观测弧段的赤经和赤纬进行拟合，得到赤经的拟合系数和赤纬的拟合系数；
根据赤经的拟合系数和赤纬的拟合系数，得到历史观测弧段的标准差；
根据所述标准差对所述历史观测弧段进行筛选，得到优选弧段。
在一个实施例中，采用二次多项式对所述历史观测弧段的赤经和赤纬进行拟合，得到赤经的拟合系数和赤纬的拟合系数，具体为：
采用二次多项式分别对每个历史观测弧段中赤经、赤纬关于时间的函数式进行拟合，设赤经
Figure 187724DEST_PATH_IMAGE001
和赤纬
Figure 976558DEST_PATH_IMAGE003
对时间的函数可以表示分别为：
Figure 702068DEST_PATH_IMAGE004
（1）
其中，
Figure 276269DEST_PATH_IMAGE006
，
Figure 475038DEST_PATH_IMAGE007
，
Figure 236321DEST_PATH_IMAGE008
为赤经的拟合系数，
Figure 765522DEST_PATH_IMAGE009
，
Figure 180847DEST_PATH_IMAGE010
，
Figure 97988DEST_PATH_IMAGE011
为赤纬的拟合系数，各拟合系数的初值取为：
Figure 612146DEST_PATH_IMAGE012
（2）
由于
Figure 679459DEST_PATH_IMAGE013
对
Figure 946361DEST_PATH_IMAGE014
，
Figure 503244DEST_PATH_IMAGE015
，
Figure 504698DEST_PATH_IMAGE017
的偏导数分别为：
Figure 172440DEST_PATH_IMAGE018
（3）
因此可以使用最小二乘法得到对
Figure 293849DEST_PATH_IMAGE020
，
Figure 224896DEST_PATH_IMAGE022
，
Figure 448067DEST_PATH_IMAGE024
初值的改进量
Figure 903188DEST_PATH_IMAGE025
，
Figure 895414DEST_PATH_IMAGE026
，
Figure 794100DEST_PATH_IMAGE027
为：
Figure 238988DEST_PATH_IMAGE028
（4）
其中，
Figure 45270DEST_PATH_IMAGE029
是
Figure 613042DEST_PATH_IMAGE030
的矩阵，
Figure 417050DEST_PATH_IMAGE031
为
Figure 614813DEST_PATH_IMAGE033
的转置矩阵，上标﹣1表示矩阵的求逆运算，
Figure 677316DEST_PATH_IMAGE034
是
Figure 644135DEST_PATH_IMAGE035
维的向量，
Figure 619044DEST_PATH_IMAGE036
为赤经的多项式预测值；
则将
Figure 22213DEST_PATH_IMAGE037
，
Figure 373559DEST_PATH_IMAGE038
，
Figure 194885DEST_PATH_IMAGE039
更新为：
Figure 606275DEST_PATH_IMAGE040
（5）
重复式（4）和式（5）的过程直到
Figure 762318DEST_PATH_IMAGE041
小于设定的阈值，得到赤经的拟合系数
Figure 651777DEST_PATH_IMAGE042
，
Figure 327609DEST_PATH_IMAGE043
，
Figure 644321DEST_PATH_IMAGE044
；
将赤纬
Figure 290590DEST_PATH_IMAGE046
执行以上相同的操作步骤，得到赤纬的拟合系数
Figure 249319DEST_PATH_IMAGE047
，
Figure 45237DEST_PATH_IMAGE048
，
Figure 798429DEST_PATH_IMAGE049
。
在一个实施例中，根据赤经的拟合系数和赤纬的拟合系数，得到历史观测弧段的标准差，具体为：
定义一个历史观测弧段的中间时刻为
Figure 663486DEST_PATH_IMAGE050
，其中
Figure 894747DEST_PATH_IMAGE051
表示对应观测弧段的中间行序号，由此对于每一个历史观测弧段
Figure 545171DEST_PATH_IMAGE052
都有一个对应的中间时刻数据点：
Figure 469265DEST_PATH_IMAGE053
（6）
其中
Figure 87197DEST_PATH_IMAGE054
为中间时刻赤经，
Figure 122149DEST_PATH_IMAGE055
为中间时刻赤纬，
Figure 627080DEST_PATH_IMAGE056
为中间时刻赤经变化率，
Figure 722075DEST_PATH_IMAGE058
为中间时刻赤纬变化率，
Figure 374773DEST_PATH_IMAGE059
，
Figure 197104DEST_PATH_IMAGE060
分别为中间时刻对应光学观测卫星的位置矢量与速度矢量，其计算式如下：
Figure 822121DEST_PATH_IMAGE061
（7）
对于每个观测时刻，计算对应时刻的赤经赤纬拟合值，将对应时刻的赤经赤纬的真实观测值与拟合作差，可以得到赤经赤纬的残差
Figure 822438DEST_PATH_IMAGE062
，进而得到标准差：
Figure 900115DEST_PATH_IMAGE063
式中，
Figure 339187DEST_PATH_IMAGE064
表示第
Figure 82626DEST_PATH_IMAGE065
个残差，
Figure 519423DEST_PATH_IMAGE067
为残差均值，
Figure 84397DEST_PATH_IMAGE069
为数据点个数。
在一个实施例中，为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型，具体为：
对机动特征参数按比例进行随机划分，得到神经网络的训练集和测试集；
为每条机动特征参数打上机动标签；
根据所述训练集、所述测试集以及所述机动标签，对神经网络进行有监督式训练，建立标签模型。
在一个实施例中，为每条机动特征参数打上机动标签，具体为：
根据对应空间目标的实际机动情况为每条机动特征参数打上机动标签，若轨道机动发生在机动特征参数计算时所对应轨道根数的两观测弧段之间的时间区间内，则所述机动特征参数为有机动的机动特征参数，机动标签设为1；否则所述机动特征参数为无机动的机动特征参数，机动标签设为0。
在一个实施例中，通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签，具体为：
通过短弧天基光学观测，获得当前观测弧段；
对所述当前观测弧段采用二次多项式进行拟合与筛选，并确定时间上相邻的当前观测弧段的初始轨道，对属于相同空间目标且时间上相邻的当前观测弧段进行轨道改进，并得到当前机动特征参数；
将当前机动特征参数输入所述标签模型，得到当前观测弧段的当前机动标签。
在一个实施例中，根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段，具体为：
对属于相同空间目标的当前机动特征参数按其首个观测弧段首个数据点的观测时刻进行排序，并检测当前机动特征参数的当前机动标签；
若当前机动标签全部为0，则所述空间目标在整个观测时间区间内没有进行脉冲轨道机动；
若存在为1的当前机动标签，则以所述当前机动标签对应的当前机动特征参数计算时的轨道根数的两个观测弧段为分界点，将所述空间目标所属的观测弧段划分为机动前观测弧段和机动后观测弧段，并将机动前观测弧段和机动后观测弧段之间的时间区间定义为预估脉冲机动施加的时间区间。
在一个实施例中，根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测，具体为：
根据机动前观测弧段和机动后观测弧段，进行最小二乘轨道迭代改进，得到机动前轨道改进结果与机动后轨道改进结果；
对机动前轨道改进结果与机动后轨道改进结果在预估脉冲机动施加的时间区间内通过轨道交叉预报进行遍历，得到脉冲机动施加的极大似然时刻；
根据所述极大似然时刻，估算脉冲机动大小和脉冲机动施加方向，完成轨道机动智能检测。
基于短弧天基光学观测的轨道机动智能检测方法装置，包括：
获取模块，用于获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段；
排列模块，用于根据所述优选弧段，对属于相同空间目标的观测弧段按照时间顺序排列，并确定时间上相邻的观测弧段的初始轨道；
迭代模块，用于以所述初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果；
计算模块，用于将所述轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数；
建模模块，用于为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型；
标签模块，用于通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签；
估算模块，用于根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。
上述基于短弧天基光学观测的轨道机动智能检测方法，获取多组属于不同空间目标的历史观测弧段，采用二次多项式对历史观测弧段进行拟合与筛选，对属于相同空间目标的观测弧段按照时间顺序排列，确定时间上相邻的观测弧段的初始轨道，以初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果，将轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数；为每条机动特征参数打上机动标签，并根据机动特征参数和机动标签，对神经网络进行训练，建立标签模型；通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和标签模型，得到当前观测弧段的当前机动标签；根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测（轨道机动智能检测包括：根据机动标签判断有无轨道机动，估算机动参数）。本申请适用于天基光学短弧观测条件下的空间目标脉冲轨道机动检测，通过提取空间目标轨道机动前后的关键特征构造了机动特征参数，从而实现了对神经网络的有效训练，在巧妙规避了机动检测阈值设计问题的同时，还兼顾了脉冲轨道机动检测的计算效率与计算正确率。
附图说明
图1为一个实施例中基于短弧天基光学观测的轨道机动智能检测方法的应用场景图；
图2为一个实施例中基于短弧天基光学观测的轨道机动智能检测方法的流程示意图；
图3为一个实施例中基于短弧天基光学观测的轨道机动智能检测装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
需要说明，本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本申请中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多组”的含义是至少两组，例如两组，三组等，除非另有明确具体的限定。
在本申请中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本申请中的具体含义。
另外，本申请各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本申请要求的保护范围之内。
本申请提供的方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信，终端102可以包括但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以是各类门户网站、工作***后台对应的服务器等。
本申请提供了一种基于短弧天基光学观测的轨道机动智能检测方法，如图2所示，在一个实施例中，以该方法应用于图1中的终端为例进行说明，包括：
步骤201，获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段。
具体的：
获取多组属于不同空间目标的历史观测弧段，所述历史观测弧段包括：赤经和赤纬；采用二次多项式对所述历史观测弧段的赤经和赤纬进行拟合，得到赤经的拟合系数和赤纬的拟合系数；根据赤经的拟合系数和赤纬的拟合系数，得到历史观测弧段的标准差；根据所述标准差对所述历史观测弧段进行筛选，得到优选弧段。
更具体的：
步骤2011、已知通过低轨光学观测卫星上安装的天基观测设备进行长时间光学观测，并进行弧段关联匹配后，得到的多组分别属于不同空间目标的观测弧段（即历史观测弧段），每个观测弧段数据包括若干个观测数据点，每个观测数据点由被观测目标相对于低轨光学观测卫星的赤经、赤纬、观测时刻以及观测平台的位置速度信息组成。即天基测角数据
Figure 733684DEST_PATH_IMAGE070
，
Figure 582560DEST_PATH_IMAGE071
，
Figure 986997DEST_PATH_IMAGE073
，其中
Figure 39266DEST_PATH_IMAGE075
为空间目标数量，
Figure 757823DEST_PATH_IMAGE077
为观测弧段的数量，
Figure 211939DEST_PATH_IMAGE078
，
Figure 239806DEST_PATH_IMAGE079
为第
Figure 513793DEST_PATH_IMAGE080
个空间目标的第
Figure 36041DEST_PATH_IMAGE081
个观测弧段的数据行数，下标
Figure 344663DEST_PATH_IMAGE083
表示弧段中第
Figure 543432DEST_PATH_IMAGE084
行数据，
Figure 101452DEST_PATH_IMAGE086
为观测历元时刻，
Figure 427391DEST_PATH_IMAGE087
为赤经，
Figure 590519DEST_PATH_IMAGE088
为赤纬，
Figure 445343DEST_PATH_IMAGE089
与
Figure 211698DEST_PATH_IMAGE091
为分别为每行数据观测历元时刻对应的光学观测卫星的位置和速度矢量。
步骤2012、采用二次多项式分别对每个观测弧段中赤经、赤纬关于时间的函数式进行拟合，从而得到赤经、赤纬随时间的变化率信息。
设赤经
Figure 75749DEST_PATH_IMAGE092
和赤纬
Figure 93383DEST_PATH_IMAGE094
对时间的函数可以表示分别为：
Figure 447004DEST_PATH_IMAGE095
（1）
其
Figure 182879DEST_PATH_IMAGE097
，
Figure 568730DEST_PATH_IMAGE098
，
Figure 706450DEST_PATH_IMAGE100
，
Figure 434235DEST_PATH_IMAGE101
，
Figure 391826DEST_PATH_IMAGE102
，
Figure 112527DEST_PATH_IMAGE103
为多项式待定系数，
Figure 901491DEST_PATH_IMAGE105
，
Figure 534598DEST_PATH_IMAGE107
，
Figure 245065DEST_PATH_IMAGE108
为赤经的拟合系数，
Figure 989030DEST_PATH_IMAGE109
，
Figure 85031DEST_PATH_IMAGE111
，
Figure 154618DEST_PATH_IMAGE113
为赤纬的拟合系数，各待定系数的初值可以取为：
Figure 86802DEST_PATH_IMAGE114
（2）
由于
Figure 900037DEST_PATH_IMAGE115
对
Figure 663594DEST_PATH_IMAGE116
，
Figure 562804DEST_PATH_IMAGE118
，
Figure 247863DEST_PATH_IMAGE119
的偏导数分别为：
Figure 848478DEST_PATH_IMAGE120
（3）
因此可以使用最小二乘法得到对
Figure 466541DEST_PATH_IMAGE122
，
Figure 612352DEST_PATH_IMAGE124
，
Figure 519128DEST_PATH_IMAGE039
初值的改进量
Figure 408586DEST_PATH_IMAGE125
，
Figure 333686DEST_PATH_IMAGE126
，
Figure 915977DEST_PATH_IMAGE127
为：
Figure 106787DEST_PATH_IMAGE128
（4）
其中
Figure 799936DEST_PATH_IMAGE129
是
Figure 595854DEST_PATH_IMAGE130
的矩阵，
Figure 598314DEST_PATH_IMAGE131
为
Figure 214103DEST_PATH_IMAGE132
的转置矩阵，上标﹣1表示矩阵的求逆运算，
Figure 445364DEST_PATH_IMAGE133
是
Figure 95788DEST_PATH_IMAGE134
维的向量，
Figure 816620DEST_PATH_IMAGE135
为赤经的多项式预测值：
则将
Figure 437481DEST_PATH_IMAGE137
，
Figure 472434DEST_PATH_IMAGE139
，
Figure 977364DEST_PATH_IMAGE141
更新为：
Figure 806780DEST_PATH_IMAGE142
（5）
重复式（4）和式（5）的过程直到
Figure 646429DEST_PATH_IMAGE143
小于设定的阈值即可，一般可取为
Figure 281810DEST_PATH_IMAGE144
，最终可以得到拟合出的赤经的拟合系数
Figure 906826DEST_PATH_IMAGE145
，
Figure 172722DEST_PATH_IMAGE147
，
Figure 250400DEST_PATH_IMAGE149
；将赤纬
Figure 610843DEST_PATH_IMAGE151
执行以上相同的操作步骤可以得到相应的赤纬的拟合系数
Figure 90366DEST_PATH_IMAGE152
，
Figure 527163DEST_PATH_IMAGE153
，
Figure 888874DEST_PATH_IMAGE154
。
步骤2013、定义一个观测弧段的中间时刻为
Figure 69320DEST_PATH_IMAGE155
，其中
Figure 918196DEST_PATH_IMAGE156
表示对应观测弧段的中间行序号，由此对于每一个观测弧段
Figure 260316DEST_PATH_IMAGE157
都有一个对应的中间时刻数据点：
Figure 47006DEST_PATH_IMAGE158
（6）
其中
Figure 31143DEST_PATH_IMAGE159
为中间时刻赤经，
Figure 281995DEST_PATH_IMAGE161
为中间时刻赤纬，
Figure 301074DEST_PATH_IMAGE163
为中间时刻赤经变化率，
Figure 575061DEST_PATH_IMAGE164
为中间时刻赤纬变化率，
Figure 97309DEST_PATH_IMAGE166
，
Figure 140351DEST_PATH_IMAGE167
分别为中间时刻对应光学观测卫星的位置矢量与速度矢量。其计算式如下：
Figure 339120DEST_PATH_IMAGE168
（7）
步骤2014、对于每个观测时刻，可以通过式（1）得到对应时刻的赤经赤纬拟合值，将对应时刻的赤经赤纬的真实观测值与拟合作差，可以得到赤经赤纬的残差。根据总体标准差计算公式：
Figure 365982DEST_PATH_IMAGE169
（8）
由此可以计算得到一个弧段的拟合值与实际观测值残差的标准差
Figure 426342DEST_PATH_IMAGE170
，其中，
Figure 651787DEST_PATH_IMAGE172
表示第
Figure 772190DEST_PATH_IMAGE174
个残差，
Figure 270036DEST_PATH_IMAGE176
为残差均值，
Figure 134087DEST_PATH_IMAGE177
为数据点个数。若某数据点的残差大于
Figure 151721DEST_PATH_IMAGE178
可以认定该点为坏点，应当将该点进行剔除，否则可能会影响后续轨道改进的精度甚至导致轨道改进不收敛。
步骤202，根据所述优选弧段，对属于相同空间目标的观测弧段按照时间顺序排列，并确定时间上相邻的观测弧段的初始轨道。
具体的：
步骤2021、将属于同一空间目标的观测弧段根据其首个数据点的观测时刻的先后进行排序，设经排序后得到的天基测角数据弧段为
Figure 443025DEST_PATH_IMAGE179
，
Figure 428168DEST_PATH_IMAGE180
，
Figure 95910DEST_PATH_IMAGE181
，其中
Figure 30368DEST_PATH_IMAGE182
为空间目标数量，
Figure 492573DEST_PATH_IMAGE184
为观测弧段的数量。
步骤2022、对经时间排序后每相邻的两个观测弧段确定一条初始轨道，若因相邻两弧段之间时间相差过大而难以联合两观测弧段确定其初始轨道的情形，也可采用对其中一个观测弧段进行初始轨道确定所获得的结果作为相应的初轨。
需要说明，对于仅测角类型的观测数据，其初始轨道确定算法已是航天动力学领域成熟的算法，例如可参考以下文献中的初轨确定方法：刘林，胡松杰，曹建峰，汤靖师. 航天器定轨理论与应用[M]. 电子工业出版社，2015，北京。
设得到的初始轨道结果为
Figure 715744DEST_PATH_IMAGE185
，
Figure 439374DEST_PATH_IMAGE186
，
Figure 431601DEST_PATH_IMAGE187
，其中
Figure 799128DEST_PATH_IMAGE189
为空间目标数量，
Figure 509595DEST_PATH_IMAGE190
为观测弧段的数量，
Figure 768407DEST_PATH_IMAGE191
，
Figure 411878DEST_PATH_IMAGE192
为定轨历元时刻，一般选取为首个数据点的观测时刻或整个观测弧段的中间时刻，
Figure 684727DEST_PATH_IMAGE193
与
Figure 616911DEST_PATH_IMAGE194
为分别为定轨历元时刻对应的空间目标的位置和速度矢量。
步骤203，以所述初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果。
具体的：
步骤2031、将按时间排序后相邻的观测弧段两两之间进行最小二乘迭代轨道改进，迭代初值为步骤2022中所得到的初始轨道确定结果，最小二乘迭代轨道改进算法也是航天动力学领域成熟的算法，例如可参考以下文献中的轨道改进方法：刘林，胡松杰，曹建峰，汤靖师. 航天器定轨理论与应用[M]. 电子工业出版社，2015，北京。
步骤2032、将得到的所有轨道改进结果进行存储，设得到的轨道改进结果为
Figure 226884DEST_PATH_IMAGE195
，
Figure 177391DEST_PATH_IMAGE196
，
Figure 417880DEST_PATH_IMAGE197
，其中
Figure 571781DEST_PATH_IMAGE199
为空间目标数量，
Figure 923128DEST_PATH_IMAGE201
为观测弧段的数量，
Figure 993721DEST_PATH_IMAGE202
，
Figure 201848DEST_PATH_IMAGE203
，
Figure 108624DEST_PATH_IMAGE204
与
Figure 263662DEST_PATH_IMAGE205
的定义与步骤2022中的
Figure 939494DEST_PATH_IMAGE206
，
Figure 773982DEST_PATH_IMAGE207
与
Figure 168055DEST_PATH_IMAGE208
定义相同。
需要进行注意的是，由于是对相邻的观测弧段两两之间进行初轨确定与轨道改进，因此对于某个存在
Figure 595625DEST_PATH_IMAGE210
个观测弧段的空间目标，只会存在
Figure 391543DEST_PATH_IMAGE211
条初轨确定结果与轨道改进结果。
步骤204，将所述轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数。
具体的：
将所述轨道改进结果转换为轨道根数，对属于同一空间目标且时间上相邻的每三组轨道根数中的第一组与第二组，第二组与第三组（所述轨道根数为第二组，前一轨道根数为第一组，后一轨道根数为第三组）的半长轴、偏心率与轨道倾角进行作差分别得到两组半长轴、偏心率与轨道倾角的变化量，将这两组半长轴、偏心率与轨道倾角的变化值记为一条机动特征参数。
更具体的：
步骤2041、将得到的轨道改进结果转换为轨道根数，设得到的轨道根数结果为
Figure 128423DEST_PATH_IMAGE212
，
Figure 806529DEST_PATH_IMAGE213
，
Figure 303370DEST_PATH_IMAGE214
，其中
Figure 157056DEST_PATH_IMAGE215
为空间目标数量，
Figure 877888DEST_PATH_IMAGE216
为观测弧段的数量，
Figure 230240DEST_PATH_IMAGE217
，
Figure 999613DEST_PATH_IMAGE218
分别对应轨道根数中的半长轴、偏心率、轨道倾角、升交点赤经、近地点辐角与真近点角。由空间目标的位置速度计算轨道根数的计算式为：
Figure 770123DEST_PATH_IMAGE219
（9）
其中
Figure 865118DEST_PATH_IMAGE220
为地心引力常量，
Figure 704767DEST_PATH_IMAGE222
为升交点幅角。
步骤2042、将时间上相邻的每三组轨道根数中的第一组与第二组，第二组与第三组的半长轴、偏心率与轨道倾角进行作差分别得到两组半长轴、偏心率与轨道倾角的变化量，将这两组半长轴、偏心率与轨道倾角变化量的绝对值记为一条机动特征参数并储存下来，设得到的机动特征参数结果为
Figure 340148DEST_PATH_IMAGE223
，
Figure 965164DEST_PATH_IMAGE225
，
Figure 965481DEST_PATH_IMAGE226
，其中为空间目标数量，为观测弧段的数量。机动特征参数的具体定义为
Figure 43159DEST_PATH_IMAGE227
，其中
Figure 672111DEST_PATH_IMAGE228
分别表示半长轴、偏心率、轨道倾角的变化量，其计算式如下所示：
Figure 151633DEST_PATH_IMAGE229
（10）
需要注意的是，对于某个存在
Figure 385169DEST_PATH_IMAGE230
个观测弧段的空间目标，由于经步骤201至步骤203以及步骤2041会计算得到
Figure DEST_PATH_IMAGE231
条轨道根数，且每相邻的三组轨道根数才能计算得到一条机动特征参数，因此对于该空间目标，只会存在
Figure 418984DEST_PATH_IMAGE232
条机动特征参数。
步骤205，为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型。
具体的：
对机动特征参数按比例进行随机划分，得到神经网络的训练集和测试集；根据对应空间目标的实际机动情况为每条机动特征参数打上机动标签，若轨道机动发生在机动特征参数计算时所对应轨道根数（即：第二组轨道根数）的两观测弧段之间的时间区间内，则所述机动特征参数为有机动的机动特征参数，机动标签设为1，否则所述机动特征参数为无机动的机动特征参数，机动标签设为0；根据所述训练集、所述测试集以及所述机动标签，对神经网络进行有监督式训练，建立标签模型。
更具体的：
步骤2051、根据已知空间目标的天基光学观测数据（一般不少于1000个观测弧段，其中还必须包含有进行过脉冲轨道机动的空间目标），依照前四步（步骤201-步骤204）进行处理并最终得到多条机动特征参数。
步骤2052、根据对应空间目标的实际机动情况为每条机动特征参数打上机动标签，若轨道机动发生在机动特征参数计算时所对应第二组轨道根数的两观测弧段之间的时间区间内，则认为该条机动特征参数为有机动的机动特征参数，机动标签设为1；否则认为该条机动特征参数为无机动的机动特征参数，机动标签设为0。
需要注意的是，若某空间目标脉冲机动的施加时刻位于该空间目标的第一与第二观测弧段之间的时间区间或倒数第一与第二观测弧段之间的时间区间或观测弧段数不足6个的，由于这样的空间目标所形成的机动特征参数难以为神经网络的训练提供有效的学习样本，则这样的空间目标观测数据应当予以舍弃。
步骤2053、对得到的大量机动特征参数按比例进行随机划分，得到神经网络训练所需的训练集T和测试集D，可以采用留出法或者交叉验证法等划分方法进行划分。
步骤2054、进行神经网络的训练，利用步骤2053中生成的训练集T和测试集D采用前馈神经网络模型（FNN，Forward Neural Network）进行有监督式训练；网络模型推荐采用级联前馈神经网络模型（CFNN，Cascade Forward Neural Network），神经网络的训练目标为能够根据输入的机动特征参数，输出每条机动特征参数所对应的机动标签（0或1），即机动特征参数计算时所对应第二组轨道根数的两观测弧段之间的时间区间内是否施加了脉冲机动。
在Matlab自带的神经网络工具箱（Neural Network Tool）中有多种可供直接调用的前馈神经网络模型，有关级联前馈神经网络模型的详细信息，可阅读以下文献：De JesusO, Hagan M T. Backpropagation Algorithms for a Broad Class of DynamicNetworks[J]. IEEE Transactions on Neural Networks, 2007, 18(1):14-27。
步骤206，通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签。
具体的：
通过短弧天基光学观测，获得当前观测弧段；对所述当前观测弧段采用二次多项式进行拟合与筛选，并确定时间上相邻的当前观测弧段的初始轨道，对属于相同空间目标且时间上相邻的当前观测弧段进行轨道改进，并得到当前机动特征参数；将当前机动特征参数输入所述标签模型，得到当前观测弧段的当前机动标签。
更具体的：
将真实观测数据经过步骤201至204处理后所得到的待进行机动检测的真实机动特征参数输入经步骤205训练好的神经网络中，对于每条输入的真实机动特征参数，已训练好的神经网络都会输出与之对应的机动标签，将每条输入的机动特征参数与相应输出的机动标签一一进行对应并记录保存。
步骤207，根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。
具体的：
对属于相同空间目标的当前机动特征参数按其首个观测弧段首个数据点的观测时刻进行排序，并检测当前机动特征参数的当前机动标签；若当前机动标签全部为0，则所述空间目标在整个观测时间区间内没有进行脉冲轨道机动；若存在为1的当前机动标签，则以所述当前机动标签对应的当前机动特征参数计算时的轨道根数的两个观测弧段为分界点，将所述空间目标所属的观测弧段划分为机动前观测弧段和机动后观测弧段，并将机动前观测弧段和机动后观测弧段之间的时间区间定义为预估脉冲机动施加的时间区间。
根据机动前观测弧段和机动后观测弧段，进行最小二乘轨道迭代改进，得到机动前轨道改进结果与机动后轨道改进结果；对机动前轨道改进结果与机动后轨道改进结果在预估脉冲机动施加的时间区间内通过轨道交叉预报进行遍历，得到脉冲机动施加的极大似然时刻；根据所述极大似然时刻，估算脉冲机动大小和脉冲机动施加方向，完成轨道机动智能检测。
更具体的：
步骤2071、对属于同一空间目标的真实机动特征参数按其首个观测弧段首个数据点的观测时刻进行排序，然后依次对各机动特征参数的机动标签进行检测，若机动标签全部为0，则可以认为该目标在整个观测时间区间内没有进行脉冲轨道机动；若存在为1的机动标签，则以该条机动特征参数计算时所对应第二组轨道根数的两观测弧段为分界点，即根据真实机动特征参数的机动标签将该空间目标所属的观测弧段划分为机动前观测弧段与机动后观测弧段，并将这两个观测弧段之间的时间区间定义为预估脉冲机动施加时间区间。
例如，若某空间目标A在观测时间区间内存在8个观测弧段，经步骤201至步骤204计算后得到5条机动特征参数，检测到其中第三条机动特征参数对应的机动标签为1，而第三条机动特征参数计算时所对应第二组轨道根数是由第三和第四观测弧段轨道改进得到，因此以第三和第四观测弧段为分界点，将第一至第三弧段划分为机动前观测弧段，将第四至第八弧段划分为机动后观测弧段，第三和第四观测弧段之间的时间区间则为预估脉冲机动施加时间区间。
步骤2072、联合同一空间目标机动前所有观测弧段与机动后所有观测弧段进行最小二乘轨道迭代改进，因此对于某个被认为可能存在脉冲轨道机动的空间目标，会计算得到机动前与机动后两条轨道改进结果，设得到的轨道改进结果为
Figure DEST_PATH_IMAGE233
，
Figure 317538DEST_PATH_IMAGE234
，
Figure DEST_PATH_IMAGE235
，其中
Figure 120409DEST_PATH_IMAGE236
为可能存在脉冲轨道机动的空间目标数量，
Figure DEST_PATH_IMAGE237
表示机动前，
Figure 446217DEST_PATH_IMAGE238
表示机动后，
Figure DEST_PATH_IMAGE239
，
Figure 701749DEST_PATH_IMAGE240
，
Figure DEST_PATH_IMAGE241
与
Figure 200733DEST_PATH_IMAGE242
的定义与步骤2022中的定义相同；关于最小二乘轨道迭代改进算法的相关信息详见步骤2031。
步骤2073、对步骤2072中计算得到的机动前轨道改进结果与机动后轨道改进结果在预估脉冲机动施加时间区间内通过轨道交叉预报进行遍历，以找出脉冲机动施加的极大似然时刻
Figure DEST_PATH_IMAGE243
，其中
Figure 858110DEST_PATH_IMAGE244
，
Figure DEST_PATH_IMAGE245
为可能存在脉冲轨道机动的空间目标数量，预估脉冲机动施加时间区间的定义与步骤2071中定义一致。轨道交叉预报具体是指将两个空间目标轨道分别进行向前和向后轨道预报以预报同一历元时刻的操作。此处脉冲机动施加的极大似然时刻
Figure 103889DEST_PATH_IMAGE246
定义为使得机动前轨道与机动后轨道在三维空间中位置距离最小的时刻。此定义可以进行改进与拓展，如若机动前轨道与机动后轨道的轨道偏差信息已知，脉冲机动施加的极大似然时刻
Figure 643454DEST_PATH_IMAGE246
还可定义为使得机动前轨道与机动后轨道马氏距离最小的时刻。
步骤2074、将机动前轨道改进结果与机动后轨道改进结果分别预报至脉冲机动施加的极大似然时刻，通过以对机动前轨道改进结果与机动后轨道改进结果的对比分析来进行对脉冲机动大小，脉冲机动施加方向等其他机动参数的估算，即：将机动前轨道改进结果与机动后轨道改进结果分别进行向后轨道预报和向前轨道预报，预报至步骤2073中得到的脉冲机动施加的极大似然时刻
Figure DEST_PATH_IMAGE247
。
设此时机动前与机动后的轨道预报结果分别为：
Figure 431282DEST_PATH_IMAGE248
与
Figure DEST_PATH_IMAGE249
，施加的脉冲机动冲量可以通过下式进行估算：
Figure 192433DEST_PATH_IMAGE250
（11）
其中
Figure DEST_PATH_IMAGE251
表示脉冲机动冲量的估计值。
步骤2075、在实际观测中，可能由于某些原因造成的观测误差等扰动因素影响，可能会少部分误检，因此为了提高轨道机动的检测正确率，还需要根据脉冲机动冲量估计值的大小对检测结果进行筛选。根据实际经验一般当
Figure 610776DEST_PATH_IMAGE252
时，该检测结果有很大概率是误检，应当认为该次脉冲机动不存在。
上述基于短弧天基光学观测的轨道机动智能检测方法，获取多组属于不同空间目标的历史观测弧段，采用二次多项式对历史观测弧段进行拟合与筛选，对属于相同空间目标的观测弧段按照时间顺序排列，确定时间上相邻的观测弧段的初始轨道，以初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果，将轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数；为每条机动特征参数打上机动标签，并根据机动特征参数和机动标签，对神经网络进行训练，建立标签模型；通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和标签模型，得到当前观测弧段的当前机动标签；根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。
本申请适用于天基光学短弧观测条件下的空间目标脉冲轨道机动检测，通过构造机动特征参数所训练好的神经网络能够检测出机动发生在哪两次观测弧段之间，从而将所获得的观测弧段区分为机动前观测弧段与机动后观测弧段，分别对机动前观测弧段与机动后观测弧段进行精密轨道确定时由于排除了脉冲机动的干扰，因此能够确保定轨收敛从而定轨成功实现机动检测，解决了现有技术中脉冲机动情况下不加区分地直接对所获得的观测数据弧段进行精密轨道确定时出现发散而导致难以收敛从而定轨失败的技术问题。本申请中机动特征参数的构造采用计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角变化量的方式实现，这种构造实现方式使得观测弧段与前后观测弧段因短弧观测所导致的误差在很大程度上进行了相互抵消，从而能够实现短弧观测条件下的机动检测。本申请通过模型设计将空间目标轨道机动前后的半长轴、偏心率、轨道倾角这三个关键轨道根数特征进行提取，并据此创造性地构造了机动特征参数，在表征空间目标运动状态的经典轨道六根数里，半长轴与偏心率对脉冲机动在轨道面内的分量敏感，轨道倾角对脉冲机动垂直于轨道面的分量敏感，因此构造的机动特征参数能够较大限度的保留空间目标脉冲机动的机动特征供神经网络进行学习，从而实现对神经网络的有效训练，使得生成的神经网络能够提取有机动与无机动的机动特征参数之间存在的差别，针对短弧观测条件下的空间目标脉冲轨道机动检测问题具备良好的泛化性能，从而规避了复杂的机动检测阈值设计问题，相比于传统方法提高了脉冲轨道机动检测的计算效率；根据机动估算结果的筛选处理通过降低检测虚警率进一步提高了脉冲轨道机动检测正确率和精度。
应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个具体的实施例中，即在已有大量空间目标天基光学短弧观测数据弧段时，通过神经网络人工智能算法，将属于脉冲轨道机动前后的观测弧段进行识别并对机动参数进行估算。
具体的：
假设利用运行在轨道高度为800km太阳同步轨道上的某低轨光学观测卫星对50颗运行在GEO轨道上的空间目标进行为期7天的光学观测，角度观测误差为3个角秒，观测起止时间分别为2019.12.21.12:00:00至2019.12.28.12:00:00，其中25颗卫星在观测期间均发生了脉冲轨道机动，观测得到712组分别属于不同空间目标的原始观测短弧片段，也称观测弧段。
该低轨光学观测卫星在
Figure DEST_PATH_IMAGE253
初始时刻的轨道根数为：
Figure 903217DEST_PATH_IMAGE254
。
由于实际空间目标的观测数据难以获取，因此采用仿真观测的方式生成得到神经网络训练所需的训练集T和测试集D。在GEO轨道上随机生成1000个仿真空间目标，假设利用同样运行在轨道高度为800km太阳同步轨道上的低轨光学观测卫星对这1000个运行在GEO轨道上的仿真空间目标进行为期7天的光学观测，观测起止时间与低轨光学观测卫星的轨道根数与步骤201中相同。其中选取50%的仿真目标在仿真观测时段内随机添加一次脉冲轨道机动，脉冲轨道机动的冲量大小在2m/s与5m/s之间随机选取。为了尽可能多的得到有效的学习样本，脉冲轨道机动的施加时刻在2019.12.23.00:00:00至2019.12.27.00:00:00内随机，然后依照前四步（步骤201-步骤204）进行仿真观测并最终得到约6547条机动特征参数。
为每条机动特征参数打上机动标签，若某空间目标脉冲机动的施加时刻位于该空间目标的第一与第二观测弧段之间的时间区间或倒数第一与第二观测弧段之间的时间区间或观测弧段数不足6个的，由于这样的空间目标所形成的机动特征参数难以为神经网络的训练提供有效的学习样本，则这样的空间目标应当予以舍弃，最终剩下6382条有效样本。
对得到的大量机动特征参数进行随机划分，采用留出法将80%的样本数据作为神经网络训练所需的训练集T，将20%的样本数据作为神经网络训练所需的测试集D。
利用生成的训练集T和测试集D采用前馈神经网络模型（FNN，Forward NeuralNetwork）进行有监督式训练，经测试，当隐含层数量为2，节点数分别为7和8时能达到较佳的训练效果。
将真实观测数据经过步骤201至204处理后所得到的待进行机动检测的562条机动特征参数输入经步骤205训练好的神经网络中，对于每条输入的机动特征参数，已训练好的神经网络都会输出与之对应的机动标签，将每条输入的机动特征参数与相应输出的机动标签一一进行对应并记录保存。
对属于同一空间目标的机动特征参数按其首个观测弧段首个数据点的观测时刻进行排序，然后依次对各机动特征参数的机动标签进行检测，发现在562条机动特征参数中有29条被神经网络打上1的机动标签，根据机动标签将该空间目标所属的观测弧段划分为机动前观测弧段与机动后观测弧段。
其中4个可能存在脉冲机动的空间目标经轨道交叉预报计算后，脉冲机动冲量估计值
Figure DEST_PATH_IMAGE255
，应当认定为无机动目标。
最终实施例测试结果如下表1所示。
表1实施例测试结果展示表
Figure 681686DEST_PATH_IMAGE256
本申请还提供了一种基于短弧天基光学观测的轨道机动智能检测装置，如图3所示，在一个实施例中，包括：获取模块301、排列模块302、迭代模块303、计算模块304、建模模块305、标签模块306以及估算模块307，其中：
获取模块301，用于获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段；
排列模块302，用于根据所述优选弧段，对属于相同空间目标的观测弧段按照时间顺序排列，并确定时间上相邻的观测弧段的初始轨道；
迭代模块303，用于以所述初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果；
计算模块304，用于将所述轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数；
建模模块305，用于为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型；
标签模块306，用于通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签；
估算模块307，用于根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。
关于基于短弧天基光学观测的轨道机动智能检测装置的具体限定可以参见上文中对于基于短弧天基光学观测的轨道机动智能检测方法的限定，在此不再赘述。上述装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，包括：
获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段；
根据所述优选弧段，对属于相同空间目标的观测弧段按照时间顺序排列，并确定时间上相邻的观测弧段的初始轨道；
以所述初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果；
将所述轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数；
为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型；
通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签；
根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。
2.根据权利要求1所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段，具体为：
获取多组属于不同空间目标的历史观测弧段，所述历史观测弧段包括：赤经和赤纬；
采用二次多项式对所述历史观测弧段的赤经和赤纬进行拟合，得到赤经的拟合系数和赤纬的拟合系数；
根据赤经的拟合系数和赤纬的拟合系数，得到历史观测弧段的标准差；
根据所述标准差对所述历史观测弧段进行筛选，得到优选弧段。
3.根据权利要求2所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，采用二次多项式对所述历史观测弧段的赤经和赤纬进行拟合，得到赤经的拟合系数和赤纬的拟合系数，具体为：
采用二次多项式分别对每个历史观测弧段中赤经、赤纬关于时间的函数式进行拟合，设赤经和赤纬对时间的函数可以表示分别为：
Figure 882626DEST_PATH_IMAGE001
（1）
其中，
Figure 520805DEST_PATH_IMAGE002
，
Figure 769384DEST_PATH_IMAGE003
，
Figure 367855DEST_PATH_IMAGE004
为赤经的拟合系数，
Figure 651069DEST_PATH_IMAGE005
，
Figure 191641DEST_PATH_IMAGE006
，
Figure 724253DEST_PATH_IMAGE007
为赤纬的拟合系数，各拟合系数的初值取为：
Figure 391995DEST_PATH_IMAGE008
（2）
由于
Figure 529715DEST_PATH_IMAGE009
对
Figure 991921DEST_PATH_IMAGE010
，
Figure 198780DEST_PATH_IMAGE011
，
Figure 404633DEST_PATH_IMAGE012
的偏导数分别为：
Figure 396860DEST_PATH_IMAGE013
（3）
因此可以使用最小二乘法得到对
Figure 295546DEST_PATH_IMAGE014
，
Figure 255281DEST_PATH_IMAGE015
，
Figure 999246DEST_PATH_IMAGE016
初值的改进量
Figure 908296DEST_PATH_IMAGE017
，
Figure 712304DEST_PATH_IMAGE018
，
Figure 910067DEST_PATH_IMAGE019
为：
Figure 698201DEST_PATH_IMAGE020
（4）
其中，
Figure 665020DEST_PATH_IMAGE021
是
Figure 905509DEST_PATH_IMAGE022
的矩阵，
Figure 324989DEST_PATH_IMAGE023
为
Figure 925603DEST_PATH_IMAGE024
的转置矩阵，上标﹣1表示矩阵的求逆运算，
Figure 481350DEST_PATH_IMAGE025
是
Figure 892739DEST_PATH_IMAGE026
维的向量，
Figure 799516DEST_PATH_IMAGE027
为赤经的多项式预测值；
则将
Figure 938242DEST_PATH_IMAGE028
，
Figure 879653DEST_PATH_IMAGE029
，
Figure 258682DEST_PATH_IMAGE030
更新为：
Figure 652754DEST_PATH_IMAGE031
（5）
重复式（4）和式（5）的过程直到
Figure 345903DEST_PATH_IMAGE032
小于设定的阈值，得到赤经的拟合系数
Figure 125509DEST_PATH_IMAGE033
，
Figure 878702DEST_PATH_IMAGE034
，
Figure 494491DEST_PATH_IMAGE035
；
将赤纬
Figure 991331DEST_PATH_IMAGE036
执行以上相同的操作步骤，得到赤纬的拟合系数
Figure 893953DEST_PATH_IMAGE037
，
Figure 552467DEST_PATH_IMAGE038
，
Figure 921132DEST_PATH_IMAGE039
。
4.据权利要求3所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，根据赤经的拟合系数和赤纬的拟合系数，得到历史观测弧段的标准差，具体为：
定义一个历史观测弧段的中间时刻为
Figure 956084DEST_PATH_IMAGE040
，其中
Figure 975861DEST_PATH_IMAGE041
表示对应观测弧段的中间行序号，由此对于每一个历史观测弧段
Figure 602015DEST_PATH_IMAGE042
都有一个对应的中间时刻数据点：
Figure 457975DEST_PATH_IMAGE043
（6）
其中
Figure 296618DEST_PATH_IMAGE044
为中间时刻赤经，
Figure 656055DEST_PATH_IMAGE045
为中间时刻赤纬，
Figure 171219DEST_PATH_IMAGE046
为中间时刻赤经变化率，
Figure 983317DEST_PATH_IMAGE047
为中间时刻赤纬变化率，
Figure 625651DEST_PATH_IMAGE048
，
Figure 105174DEST_PATH_IMAGE049
分别为中间时刻对应光学观测卫星的位置矢量与速度矢量，其计算式如下：
Figure 791239DEST_PATH_IMAGE050
（7）
对于每个观测时刻，计算对应时刻的赤经赤纬拟合值，将对应时刻的赤经赤纬的真实观测值与拟合作差，可以得到赤经赤纬的残差
Figure 152951DEST_PATH_IMAGE051
，进而得到标准差
Figure 333396DEST_PATH_IMAGE052
：
Figure 667426DEST_PATH_IMAGE053
式中，
Figure 275124DEST_PATH_IMAGE054
表示第
Figure 579591DEST_PATH_IMAGE055
个残差，
Figure 32569DEST_PATH_IMAGE056
为残差均值，
Figure 486685DEST_PATH_IMAGE057
为数据点个数。
5.根据权利要求1至4任一项所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型，具体为：
对机动特征参数按比例进行随机划分，得到神经网络的训练集和测试集；
为每条机动特征参数打上机动标签；
根据所述训练集、所述测试集以及所述机动标签，对神经网络进行有监督式训练，建立标签模型。
6.根据权利要求5所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，为每条机动特征参数打上机动标签，具体为：
根据对应空间目标的实际机动情况为每条机动特征参数打上机动标签，若轨道机动发生在机动特征参数计算时所对应轨道根数的两观测弧段之间的时间区间内，则所述机动特征参数为有机动的机动特征参数，机动标签设为1；否则所述机动特征参数为无机动的机动特征参数，机动标签设为0。
7.根据权利要求1至4任一项所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签，具体为：
通过短弧天基光学观测，获得当前观测弧段；
对所述当前观测弧段采用二次多项式进行拟合与筛选，并确定时间上相邻的当前观测弧段的初始轨道，对属于相同空间目标且时间上相邻的当前观测弧段进行轨道改进，并得到当前机动特征参数；
将当前机动特征参数输入所述标签模型，得到当前观测弧段的当前机动标签。
8.根据权利要求1至4任一项所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段，具体为：
对属于相同空间目标的当前机动特征参数按其首个观测弧段首个数据点的观测时刻进行排序，并检测当前机动特征参数的当前机动标签；
若当前机动标签全部为0，则所述空间目标在整个观测时间区间内没有进行脉冲轨道机动；
若存在为1的当前机动标签，则以所述当前机动标签对应的当前机动特征参数计算时的轨道根数的两个观测弧段为分界点，将所述空间目标所属的观测弧段划分为机动前观测弧段和机动后观测弧段，并将机动前观测弧段和机动后观测弧段之间的时间区间定义为预估脉冲机动施加的时间区间。
9.根据权利要求1至4任一项所述的基于短弧天基光学观测的轨道机动智能检测方法，其特征在于，根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测，具体为：
根据机动前观测弧段和机动后观测弧段，进行最小二乘轨道迭代改进，得到机动前轨道改进结果与机动后轨道改进结果；
对机动前轨道改进结果与机动后轨道改进结果在预估脉冲机动施加的时间区间内通过轨道交叉预报进行遍历，得到脉冲机动施加的极大似然时刻；
根据所述极大似然时刻，估算脉冲机动大小和脉冲机动施加方向，完成轨道机动智能检测。
10.基于短弧天基光学观测的轨道机动智能检测装置，其特征在于，包括：
获取模块，用于获取多组属于不同空间目标的历史观测弧段，采用二次多项式对所述历史观测弧段进行拟合与筛选，得到优选弧段；
排列模块，用于根据所述优选弧段，对属于相同空间目标的观测弧段按照时间顺序排列，并确定时间上相邻的观测弧段的初始轨道；
迭代模块，用于以所述初始轨道作为初值进行最小二乘迭代，对属于相同空间目标且时间上相邻的观测弧段进行轨道改进，得到轨道改进结果；
计算模块，用于将所述轨道改进结果转换为轨道根数，分别计算所述轨道根数与前一轨道根数以及后一轨道根数在半长轴、偏心率和轨道倾角的变化量，得到机动特征参数；
建模模块，用于为每条机动特征参数打上机动标签，并根据所述机动特征参数和所述机动标签，对神经网络进行训练，建立标签模型；
标签模块，用于通过短弧天基光学观测，获得当前观测弧段；根据当前观测弧段和所述标签模型，得到当前观测弧段的当前机动标签；
估算模块，用于根据当前机动标签，将属于相同空间目标的当前观测弧段划分为机动前观测弧段和机动后观测弧段；根据机动前观测弧段和机动后观测弧段，估算机动参数并完成轨道机动智能检测。
CN202211593968.0A 2022-12-13 2022-12-13 基于短弧天基光学观测的轨道机动智能检测方法和装置 Active CN115600051B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211593968.0A CN115600051B (zh) 2022-12-13 2022-12-13 基于短弧天基光学观测的轨道机动智能检测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211593968.0A CN115600051B (zh) 2022-12-13 2022-12-13 基于短弧天基光学观测的轨道机动智能检测方法和装置

Publications (2)

Publication Number Publication Date
CN115600051A true CN115600051A (zh) 2023-01-13
CN115600051B CN115600051B (zh) 2023-02-24

Family

ID=84854277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211593968.0A Active CN115600051B (zh) 2022-12-13 2022-12-13 基于短弧天基光学观测的轨道机动智能检测方法和装置

Country Status (1)

Country Link
CN (1) CN115600051B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790607A (zh) * 2023-01-31 2023-03-14 南京航空航天大学 一种基于短弧历史数据的非合作目标机动特征检测方法
CN115855069A (zh) * 2023-02-28 2023-03-28 中国人民解放军国防科技大学 基于sce的geo航天器机动检测与位置预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040098789A (ko) * 2003-05-15 2004-11-26 휴먼앤퓨처정보통신(주) 유한구간 슬라이딩 윈도우 임펄스 필터를 이용한 레이더의기동추적 장치 및 방법
CN110442831A (zh) * 2019-07-31 2019-11-12 中国人民解放军国防科技大学 基于非线性偏差演化的空间非合作目标天基搜索方法
CN111428365A (zh) * 2020-03-24 2020-07-17 中国人民解放军32035部队 利用天文测量数据判别geo目标的方法
CN111551183A (zh) * 2020-06-09 2020-08-18 中国人民解放军63921部队 基于天基光学观测数据的geo目标多点择优短弧定轨方法
CN111578950A (zh) * 2020-06-09 2020-08-25 中国人民解放军63921部队 一种面向天基光学监视的geo目标自主弧段关联与定轨方法
CN111998855A (zh) * 2020-09-02 2020-11-27 中国科学院国家天文台长春人造卫星观测站 光学望远镜共视观测确定空间目标初轨的几何方法及***

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20040098789A (ko) * 2003-05-15 2004-11-26 휴먼앤퓨처정보통신(주) 유한구간 슬라이딩 윈도우 임펄스 필터를 이용한 레이더의기동추적 장치 및 방법
CN110442831A (zh) * 2019-07-31 2019-11-12 中国人民解放军国防科技大学 基于非线性偏差演化的空间非合作目标天基搜索方法
CN111428365A (zh) * 2020-03-24 2020-07-17 中国人民解放军32035部队 利用天文测量数据判别geo目标的方法
CN111551183A (zh) * 2020-06-09 2020-08-18 中国人民解放军63921部队 基于天基光学观测数据的geo目标多点择优短弧定轨方法
CN111578950A (zh) * 2020-06-09 2020-08-25 中国人民解放军63921部队 一种面向天基光学监视的geo目标自主弧段关联与定轨方法
CN111998855A (zh) * 2020-09-02 2020-11-27 中国科学院国家天文台长春人造卫星观测站 光学望远镜共视观测确定空间目标初轨的几何方法及***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
侯志璞，李振瑜，周建勇，罗亚中: "《空间近距离光学观测任务评估研究》" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115790607A (zh) * 2023-01-31 2023-03-14 南京航空航天大学 一种基于短弧历史数据的非合作目标机动特征检测方法
CN115790607B (zh) * 2023-01-31 2023-05-12 南京航空航天大学 一种基于短弧历史数据的非合作目标机动特征检测方法
CN115855069A (zh) * 2023-02-28 2023-03-28 中国人民解放军国防科技大学 基于sce的geo航天器机动检测与位置预测方法

Also Published As

Publication number Publication date
CN115600051B (zh) 2023-02-24

Similar Documents

Publication Publication Date Title
CN115600051B (zh) 基于短弧天基光学观测的轨道机动智能检测方法和装置
CN108960303B (zh) 一种基于lstm的无人机飞行数据异常检测方法
CN108254741B (zh) 基于循环神经网络的目标航迹预测方法
CN107396322B (zh) 基于路径匹配与编码译码循环神经网络的室内定位方法
CN110770758B (zh) 确定可移动的设备的位置
Ferris et al. Wifi-slam using gaussian process latent variable models.
CN108596327B (zh) 一种基于深度学习的地震速度谱人工智能拾取方法
CN109190537A (zh) 一种基于掩码感知深度强化学习的多人物姿态估计方法
CN105719312A (zh) 基于序贯贝叶斯滤波的多目标跟踪方法及跟踪***
Hu et al. A framework for probabilistic generic traffic scene prediction
CN109151995B (zh) 一种基于信号强度的深度学习回归融合定位方法
CN113837361A (zh) 一种空气污染物浓度预测方法及***
CN103743401A (zh) 基于多模型航迹质量的异步融合方法
CN115691134A (zh) 一种基于对抗生成网络的智能汽车测试场景库构建方法
Virta et al. Determining the signal dimension in second order source separation
Khlamov et al. The astronomical object recognition and its near-zero motion detection in series of images by in situ modeling
CN109509207B (zh) 一种对点目标和扩展目标进行无缝跟踪的方法
CN112991394B (zh) 基于三次样条插值和马尔科夫链的kcf目标跟踪方法
EP3571665B1 (en) Determining the location of a mobile device
CN113156473A (zh) 信息融合定位***卫星信号环境的自适应判别方法
Cheng et al. Predicting Complex Activities from Ongoing Multivariate Time Series.
CN114061592B (zh) 基于多模型的自适应鲁棒auv导航方法
Dong et al. Multi-sensor data fusion using the influence model
CN112102399B (zh) 一种基于生成式对抗网络的视觉里程计算法
CN114818116A (zh) 基于联合学习的飞机发动机失效模式识别和寿命预测方法

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