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 PDFInfo
- 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
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
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:
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:
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,,,其中为空间目标数量,为观测弧段的数量,,为第个空间目标的第个观测弧段的数据行数,下标表示弧段中第行数据,为观测历元时刻,为赤经,为赤纬,与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。
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:
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,其中,表示第个残差,为残差均值,为数据点个数。若某数据点的残差大于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。
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,,,其中为空间目标数量,为观测弧段的数量,,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:
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,,,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,其中分别表示半长轴、偏心率、轨道倾角的变化量,其计算式如下所示:
需要注意的是,对于某个存在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,,,其中为可能存在脉冲轨道机动的空间目标数量,表示机动前,表示机动后,,,与的定义与步骤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,其中,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。
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。
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。
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
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:
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:
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。
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)
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)
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*** |
-
2022
- 2022-12-13 CN CN202211593968.0A patent/CN115600051B/zh active Active
Patent Citations (6)
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)
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)
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 |