CN115659196B - 基于非线性偏差演化的天基光学观测短弧关联与聚类方法 - Google Patents
基于非线性偏差演化的天基光学观测短弧关联与聚类方法 Download PDFInfo
- Publication number
- CN115659196B CN115659196B CN202211594600.6A CN202211594600A CN115659196B CN 115659196 B CN115659196 B CN 115659196B CN 202211594600 A CN202211594600 A CN 202211594600A CN 115659196 B CN115659196 B CN 115659196B
- Authority
- CN
- China
- Prior art keywords
- observation
- arc
- clustering
- matrix
- space
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 230000003287 optical effect Effects 0.000 title claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 230000008859 change Effects 0.000 claims description 70
- 230000000875 corresponding effect Effects 0.000 claims description 54
- 239000013598 vector Substances 0.000 claims description 21
- 230000009466 transformation Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 11
- 230000002596 correlated effect Effects 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 9
- 230000006872 improvement Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 238000010276 construction Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000001131 transforming effect Effects 0.000 abstract 1
- 239000011295 pitch Substances 0.000 description 15
- 238000005457 optimization Methods 0.000 description 13
- 238000009795 derivation Methods 0.000 description 4
- 239000004576 sand Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000007123 defense Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Image Analysis (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于非线性偏差演化的天基光学观测短弧关联与聚类方法,包括:首先获取天基短弧光学观测数据,进行数据预处理;根据观测弧段特征信息与先验信息,划定各观测弧段对应容许域;在容许域内对两观测弧段间最小马氏距离进行优化;根据两观测弧段间最小马氏距离判别两者是否关联;根据观测弧段两两关联结果,构建观测弧段关联矩阵;利用BEA算法将观测弧段关联矩阵变换为观测弧段聚类矩阵;根据观测弧段聚类矩阵元素排列特征进行分割,得到最终关联聚类结果。本发明应用于太空态势感知领域,解决现有技术中难以属于同一空间目标的观测弧段进行关联并聚类的问题,同时兼顾算法的计算正确率与计算效率。
Description
技术领域
本发明涉及太空态势感知技术领域,具体是一种基于非线性偏差演化的天基光学观测短弧关联与聚类方法。
背景技术
随着航天事业的不断发展,在轨空间目标的数量正急剧增加,例如正在开展的“星链”计划,预计完成后将部署超过4万颗卫星。截止至2022年10月13日,可被空间目标监视网(U.S. Space Surveillance Network, SSN)追踪的直径大于10cm的在轨空间目标总数已达26174个,其中有效载荷数量为9719个,仅占总数的37.13%。据估计,有超过30万个直径大于1cm的空间目标在轨运行,直径小于1cm的更是数以百万计。空间目标的观测与编目是空间态势监视和碰撞预警的重要基础,对于维护在轨资产安全与空间安全具有重要意义,数量如此庞大的空间目标为空间目标观测编目工作的准确性提出了更高的要求。
在空间目标的观测工作中,天基光学观测由于其观测精度高,抗干扰性强等独特优势正受到越来越多的青睐,但由于天基观测卫星与被观测目标相对速度通常较大,导致单一观测弧段时长很短,通常不超过两分钟,被称为短弧观测片段。由于单个弧段时间长度较短,轨道确定的精度难以保证,很难直接进行目标编目,一般需要累积多个观测弧段。此时就存在观测弧段的关联和聚类问题,需要对属于同一空间目标的观测弧段进行识别。现有针对天基光学观测弧段的关联方法较少,且多数集中在观测弧段两两之间的关联匹配,关联准确性仍有进一步提升的空间,并且针对多观测弧段之间如何进行聚类的问题,当前领域研究仍有所欠缺。
发明内容
针对上述现有技术中的不足,本发明提供一种基于非线性偏差演化的天基光学观测短弧关联与聚类方法,解决现有技术中难以属于同一空间目标的观测弧段进行关联并聚类的问题,同时兼顾算法的计算正确率与计算效率。
为实现上述目的,本发明提供一种基于非线性偏差演化的天基光学观测短弧关联与聚类方法,包括如下步骤:
步骤1,利用天基光学观测卫星进行天基光学观测,获取多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,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;
步骤2,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,得到赤经、赤纬随时间的变化率信息,并对存在明显异常的观测数据点进行剔除;
步骤3,根据步骤2处理后得到的各观测弧段中赤经、赤纬随时间的变化率信息,结合天基观测卫星运行轨道与被观测目标大致运行轨道区间等先验信息,对各观测弧段对应目标轨道在斜距与斜距变化率平面上的容许域范围进行划定;
步骤4,对待关联观测弧段两两在步骤3中划定的容许域范围内对斜距与斜距变化率组合进行优化,结合运用航天器轨道预报与偏差演化算法,找到使赤经、赤纬预报值与实际观测值马氏距离最小的斜距与斜距变化率组合,并对两观测弧段间最小马氏距离进行记录;
步骤5,以步骤4中所记录的两观测弧段间最小马氏距离为关联判别依据,得到观测弧段两两关联匹配结果;
步骤6,根据步骤5中所得观测弧段两两关联匹配结果,构建观测弧段关联矩阵,并利用BEA算法对观测弧段关联矩阵进行行列变换,将观测弧段关联矩阵转换成观测弧段聚类矩阵;
步骤7,根据观测弧段聚类矩阵行列元素排列特征对观测弧段聚类矩阵进行分割,得到观测弧段关联聚类结果,实现对属于同一空间目标的观测弧段的关联聚类。
在其中一个实施例,步骤1的实现过程为:
已知通过光学观测卫星上安装的天基观测设备,进行天基光学观测后,得到的多组分别属于不同空间目标的天基测角数据,即所述多组分别属于不同空间目标的观测弧段为/>,/>,/>,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,,其中,/>为第/>个空间目标的第/>个观测弧段的数据行数,下标/>表示观测弧段中第/>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观测卫星的位置和速度矢量。
在其中一个实施例,步骤2的实现过程为:
步骤2.3,对于每个观测时刻的观测数据点,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、赤纬拟合值与真实观测值作差,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/>个观测数据的残差,/>为残差均值,/>为观测数据点个数。若某观测数据点的残差大于/>则认定该点为坏点,将该观测数据点从对应观测弧段中剔除,否则可能会影响后续轨道关联与聚类的效果。
在其中一个实施例,步骤3的实现过程为:
步骤3.1.2,根据天基观测卫星运行轨道与被观测目标大致运行轨道区间等先验信息,可估算被观测目标相对于观测卫星的斜距的取值区间/>以及斜距变化率/>的取值区间/>。斜距与斜距变化率的取值区间与/>可按下式进行估算:
其中,与/>分别代表位置与速度的大小,上标s与t分别代表天基观测卫星与被观测目标,下标peri与apo分别代表近地点与远地点,如/>表示天基观测卫星在远地点处速度的大小。由于被观测目标在近地点与远地点处的准确位置速度无从得知,此处采用大致的估计值即可。
需要注意的是,若被观测目标无任何可用先验信息,则按绕地运行卫星应满足的基本条件对上述取值区间进行估算即可。
步骤3.2,根据观测弧段的中间时刻赤经、中间时刻赤纬/>及其变化率信息/>、以及被观测目标半长轴的取值区间/>划定观测弧段对应被观测目标在斜距/>与斜距变化率/>平面(简称为/>平面)上的容许域范围,具体包括:
为了更好的理解如何对容许域进行划定,需要对一些将会用到的变量符号进行介绍:
此外还需要定义一系列辅助标量,为:
经推导,观测弧段对应被观测目标的斜距与斜距变化率应当满足式(14),有关容许域的具体推导过程可阅读以下文献:Milani A, Gronchi G F, De’ Michieli Vitturi,M, Knežević Z. Orbit Determination with Very Short Arcs. I Admissible Regions[J]. Celestial Mechanics and Dynamical Astronomy, 2004, 90(1-2):59-87.
首先对一些将会用到的辅助矢量进行定义:
此外还需要定义一系列辅助标量:
经推导,观测弧段对应被观测目标的斜距与斜距变化率应当满足式(16),有关容许域的具体推导过程可阅读以下文献:Milani A, Gronchi G F, De’ Michieli Vitturi,M, Knežević Z. Orbit Determination with Very Short Arcs. I Admissible Regions[J]. Celestial Mechanics and Dynamical Astronomy, 2004, 90(1-2):59-87.
步骤3.4,设斜距的取值区间/>以及斜距变化率/>的取值区间在斜距/>与斜距变化率/>平面上所圈定的区域为/>,则各观测弧段对应目标轨道在斜距与斜距变化率平面上的容许域范围为区域/>、区域/>与区域/>的交集,即:
在其中一个实施例,步骤4的实现过程为:
步骤4.1,对待关联观测弧段两两在步骤3中划定的容许域范围内对斜距与斜距变化率组合进行优化,找到使得赤经赤纬预报值与实际观测值马氏距离/>最小的斜距与斜距变化率组合/>。各种优化方法已经是航天领域乃至整个科学界常用的工具,常见的优化方法有梯度下降法、牛顿法和拟牛顿法、共轭梯度法等等。在Matlab自带的优化工具箱(Optimization Tool)中有多个可供直接使用的优化函数,还可进一步自行选择不同的优化算法。比如,调用其中的fmincon函数就可实现对该问题的优化,此处不再对优化算法的实现过程进行详述;
步骤4.2.1,根据斜距、斜距变化率/>、中间时刻赤经/>、中间时刻赤纬/>及其变化率/>、/>计算观测弧段对应轨道状态。设选取的两个待关联观测弧段分别为E与F,两弧段对应容许域分别为/>与/>,对于容许域/>中所挑选出的一组斜距与斜距变化率,可以计算出观测弧段E在弧段中间时刻/>所对应的一组轨道状态,计算式如下:
步骤4.2.2,构建观测弧段E在时刻对应轨道状态在当地轨道坐标系下的轨道状态协方差矩阵/>。通过对整个观测弧段的数据点进行多项式拟合所得到的中间时刻赤经/>、中间时刻赤纬/>及其变化率/>、/>的标准差可根据原始数据单点观测标准差进行估算,估算公式为:
步骤4.2.3,利用航天器轨道预报与偏差演化算法将观测弧段E在时刻对应轨道状态/>与轨道状态协方差矩阵/>预报至观测弧段F对应弧段中间时刻/>得到预报轨道状态/>与预报轨道状态协方差矩阵/>。航天器轨道预报与偏差演化算法是航天领域的成熟算法,有多重基于不同模型的算法,此处采用更为贴合实际的非线性轨道预报与偏差演化算法可提升最终关联聚类精度,有关非线性轨道预报与偏差演化算法的详细内容可以参考以下文献:杨震.非线性轨道机动瞄准与偏差演化分析方法[D]. 长沙:国防科技大学研究生院博士学位论文,2018,04.
在其中一个实施例,步骤5的实现过程为:
以步骤4中所记录的两观测弧段间最小马氏距离为关联判别依据,一一进行判别,得到观测弧段两两关联匹配结果。可采用工程上常用的马氏距离判别依据进行判别,即
若最小马氏距离小于等于5,则认为这两个观测弧段之间关联成功,可能为对同一空间目标进行观测所产生的观测弧段。
其中一个实施例,步骤6的实现过程为:
步骤6.2,利用BEA(Bond Energy Algorithm)算法对观测弧段关联矩阵进行行列变换,将观测弧段关联矩阵/>变换成观测弧段聚类矩阵/>。BEA算法是一种广泛应用在分布式数据库***中大型表的纵向划分的算法,还可以实现矩阵元素的聚类。有关BEA算法的原理与具体实现步骤,可以参考以下文献:Ozsu M T, Valduriez P.Principles of distributed database systems[M]. [S.l.]:Prentice-Hall,1999.
其中一个实施例,步骤7的实现过程为:
满足以上条件的值为分割点。若仅存在一个分割点/>,则聚类矩阵/>以第/>行第/>列元素为界,被分割为由第/>行第/>列元素构成的/>与由第/>行第/>列元素构成的/>两个聚类子矩阵。若存在多个分割点,分割方式以此类推。
步骤7.3,对于位于同一聚类子矩阵内的观测弧段,视为聚类成功,认定这些观测弧段是对同一空间目标进行观测所产生的观测弧段。由此最终得到观测弧段关联聚类结果,实现对属于同一空间目标观测弧段的关联聚类。
本发明适用于短弧天基光学观测条件下的观测弧段关联与聚类,通过构建观测弧段的容许域,利用优化方法、BEA算法、轨道及其偏差预报技术实现了对观测弧段的关联与聚类。由于容许域包含广泛的特性,降低了方法的漏警率;由于选取马氏距离这一无量纲量为判别依据,巧妙规避了关联检测阈值设计问题;由于本发明并未对采用何种优化方法与轨道及其偏差预报方法作出限制,因此使用者可以根据实际需求选取不同的计算方法,从而实现计算效率与计算准确率的兼顾。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明实施例中基于非线性偏差演化的天基光学观测短弧关联与聚类方法的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明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,也不在本发明要求的保护范围之内。
本实施例公开了一种基于非线性偏差演化的天基光学观测短弧关联与聚类方法,主要用于解决现有技术中难以属于同一空间目标的观测弧段进行关联并聚类的问题,同时兼顾算法的计算正确率与计算效率。
参考图1,本实施例中的基于非线性偏差演化的天基光学观测短弧关联与聚类方法具体包括如下步骤1-步骤7。
步骤1,获取天基短弧光学观测数据。具体地,利用天基光学观测卫星进行天基光学观测,获取多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,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。
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4颗运行在近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,观测得到58组原始观测短弧片段,也称观测弧段。其中,第1~15号观测弧段由对同一空间目标进行观测得到,第16~29号观测弧段由对同一空间目标进行观测得到,第30~44号观测弧段由对同一空间目标进行观测得到,第45~58号观测弧段由对同一空间目标进行观测得到。该低轨光学观测卫星在初始时刻的轨道根数为:。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。
因此本实施例中步骤1获取天基短弧光学观测数据的过程为:
已知通过光学观测卫星上安装的天基观测设备,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天基测角数据,即多组分别属于不同空间目标的观测弧段为/>,/>,/>,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,,其中,/>为第/>个空间目标的第/>个观测弧段的数据行数,下标/>表示观测弧段中第/>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观测卫星的位置和速度矢量。
步骤2,进行数据预处理。具体地,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,得到赤经、赤纬随时间的变化率信息,并对存在明显异常的观测数据点进行剔除。其具体实施过程为:
步骤2.3,对于每个观测时刻的观测数据点,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、赤纬拟合值与真实观测值作差,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,/>为观测数据点个数。若某观测数据点的残差大于则认定该点为坏点,将该观测数据点从对应观测弧段中剔除,否则可能会影响后续轨道关联与聚类的效果。
步骤3,根据观测弧段特征信息与先验信息,划定各观测弧段对应容许域,具体地,根据步骤2处理后得到的各观测弧段中赤经、赤纬随时间的变化率信息,结合天基观测卫星运行轨道与被观测目标大致运行轨道区间等先验信息,对各观测弧段对应目标轨道在斜距与斜距变化率平面上的容许域范围进行划定。其具体实施过程为:
步骤3.1.2,根据天基观测卫星运行轨道与被观测目标大致运行轨道区间等先验信息,估算被观测目标相对于观测卫星的斜距的取值区间/>以及斜距变化率的取值区间/>。斜距与斜距变化率的取值区间/>与可按下式进行估算:
其中,与/>分别代表位置与速度的大小,上标s与t分别代表天基观测卫星与被观测目标,下标peri与apo分别代表近地点与远地点,如/>表示天基观测卫星在远地点处速度的大小。由于被观测目标在近地点与远地点处的准确位置速度无从得知,此处采用大致的估计值即可。
步骤3.2,根据观测弧段的中间时刻赤经、中间时刻赤纬/>及其变化率信息/>、以及被观测目标半长轴的取值区间/>划定观测弧段对应被观测目标在斜距/>与斜距变化率/>平面(简称为/>平面)上的容许域范围,具体为:
为了更好的理解如何对容许域进行划定,需要对一些将会用到的变量符号进行介绍:
此外还需要定义一系列辅助标量,为:
经推导,观测弧段对应被观测目标的斜距与斜距变化率应当满足式(14),有关容许域的具体推导过程可阅读以下文献:Milani A, Gronchi G F, De’ Michieli Vitturi,M, Knežević Z. Orbit Determination with Very Short Arcs. I Admissible Regions[J]. Celestial Mechanics and Dynamical Astronomy, 2004, 90(1-2):59-87.
首先对一些将会用到的辅助矢量进行定义:
此外还需要定义一系列辅助标量:
经推导,观测弧段对应被观测目标的斜距与斜距变化率应当满足式(16),有关容许域的具体推导过程可阅读以下文献:Milani A, Gronchi G F, De’ Michieli Vitturi,M, Knežević Z. Orbit Determination with Very Short Arcs. I Admissible Regions[J]. Celestial Mechanics and Dynamical Astronomy, 2004, 90(1-2):59-87.
步骤3.4,设斜距的取值区间/>以及斜距变化率/>的取值区间在斜距/>与斜距变化率/>平面上所圈定的区域为/>,则各观测弧段对应目标轨道在斜距与斜距变化率平面上的容许域范围为区域/>、区域/>与区域/>的交集,即:
步骤4,在容许域内对两观测弧段间最小马氏距离进行优化。具体地,对待关联观测弧段两两在步骤3中划定的容许域范围内对斜距与斜距变化率组合进行优化,结合运用航天器轨道预报与偏差演化算法,找到使赤经、赤纬预报值与实际观测值马氏距离最小的斜距与斜距变化率组合,并对两观测弧段间最小马氏距离进行记录。其具体实施过程为:
步骤4.1,对待关联观测弧段两两在步骤3中划定的容许域范围内对斜距与斜距变化率组合/>进行优化,找到使得赤经赤纬预报值与实际观测值马氏距离/>最小的斜距与斜距变化率组合/>。此处直接调用Matlab自带优化工具箱(OptimizationTool)中的fmincon函数以实现对该问题的优化,此处不再对优化算法的实现过程进行详述。
步骤4.2.1,根据斜距、斜距变化率/>、中间时刻赤经/>、中间时刻赤纬/>及其变化率/>、/>计算观测弧段对应轨道状态。设选取的两个待关联观测弧段分别为E与F,两弧段对应容许域分别为/>与/>,对于容许域/>中所挑选出的一组斜距与斜距变化率,可以计算出观测弧段E在弧段中间时刻/>所对应的一组轨道状态/>,计算式如下:/>
步骤4.2.2,构建观测弧段E在时刻对应轨道状态在当地轨道坐标系下的轨道状态协方差矩阵/>。通过对整个观测弧段的数据点进行多项式拟合所得到的中间时刻赤经/>、中间时刻赤纬/>及其变化率/>、/>的标准差可根据原始数据单点观测标准差进行估算,估算公式为:
步骤4.2.3,利用航天器轨道预报与偏差演化算法将观测弧段E在时刻对应轨道状态/>与轨道状态协方差矩阵/>预报至观测弧段F对应弧段中间时刻/>得到得到预报轨道状态/>与预报轨道状态协方差矩阵/>。航天器轨道预报与偏差演化算法是航天领域的成熟算法,有多重基于不同模型的算法,此处采用更为贴合实际的非线性轨道预报与偏差演化算法可提升最终关联聚类精度,有关非线性轨道预报与偏差演化算法的详细内容可以参考以下文献:杨震.非线性轨道机动瞄准与偏差演化分析方法[D]. 长沙:国防科技大学研究生院博士学位论文,2018,04.
步骤5,根据两观测弧段间最小马氏距离判别两者是否关联。具体地,以步骤4中所记录的两观测弧段间最小马氏距离为关联判别依据,得到观测弧段两两关联匹配结果。其具体实施过程为:
以步骤4中所记录的两观测弧段间最小马氏距离为关联判别依据,一一进行判别,得到观测弧段两两关联匹配结果。可采用工程上常用的马氏距离判别依据进行判别,即
若最小马氏距离小于等于5,则认为这两个观测弧段之间关联成功,可能为对同一空间目标进行观测所产生的观测弧段。
步骤6,根据步骤5中所得观测弧段两两关联匹配结果,构建观测弧段关联矩阵,并利用BEA算法对观测弧段关联矩阵进行行列变换,将观测弧段关联矩阵转换成观测弧段聚类矩阵。其具体实施过程为:
步骤6.2,利用BEA(Bond Energy Algorithm)算法对观测弧段关联矩阵进行行列变换,将观测弧段关联矩阵/>变换成观测弧段聚类矩阵/>。BEA算法是一种广泛应用在分布式数据库***中大型表的纵向划分的算法,还可以实现矩阵元素的聚类。有关BEA算法的原理与具体实现步骤,可以参考以下文献:Ozsu M T, Valduriez P.Principles of distributed database systems[M]. [S.l.]:Prentice-Hall,1999.
经变换后,聚类矩阵中行列序号与原观测弧段序号不在一一对应,而是对应变换为:58 56 50 46 51 49 57 55 53 45 48 47 52 54 36 34 32 44 4235 33 43 40 39 37 31 41 38 30 28 26 22 27 25 29 20 21 19 1817 16 23 24 11 13 7 5 4 3 12 1 14 8 6 10 2 15 9。
步骤7,根据观测弧段聚类矩阵元素排列特征进行分割,得到最终关联聚类结果。其具体实施过程为:
步骤7.3,根据3个分割点的取值、/>与/>可知,被分割为4个聚类子矩阵,分别为第/>行第/>列元素构成的聚类子矩阵、第/>行第/>列元素构成的聚类子矩阵、第/>行第/>列元素构成的聚类子矩阵与第/>行第/>列元素构成的聚类子矩阵。对于位于同一聚类子矩阵内的观测弧段,视为聚类成功,认为这些观测弧段是对同一空间目标进行观测所产生的观测弧段。
最终得到观测弧段关联聚类结果如下表所示:
表1实施例测试结果展示表
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种基于非线性偏差演化的天基光学观测短弧关联与聚类方法,其特征在于,包括如下步骤:
步骤1,获取多组分别属于不同空间目标的观测弧段,每个观测弧段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;
步骤2,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,得到赤经、赤纬随时间的变化率信息,并对存在明显异常的观测数据点进行剔除;
步骤3,根据各观测弧段中赤经、赤纬随时间的变化率信息与先验信息,对各观测弧段对应目标轨道在斜距与斜距变化率平面上的容许域范围进行划定;
步骤4,对待关联观测弧段两两在容许域范围内对斜距与斜距变化率组合进行优化,基于非线性偏差演化找到使赤经、赤纬预报值与实际观测值马氏距离最小的斜距与斜距变化率组合,并对两观测弧段间最小马氏距离进行记录;
步骤5,以两观测弧段间最小马氏距离为关联判别依据,得到观测弧段两两关联匹配结果;
步骤6,根据观测弧段两两关联匹配结果,构建观测弧段关联矩阵,并对观测弧段关联矩阵进行行列变换,将观测弧段关联矩阵转换成观测弧段聚类矩阵;
步骤7,根据观测弧段聚类矩阵行列元素排列特征对观测弧段聚类矩阵进行分割,得到观测弧段关联聚类结果,实现对属于同一空间目标的观测弧段的关联聚类。
3.根据权利要求2所述的基于非线性偏差演化的天基光学观测短弧关联与聚类方法,其特征在于,步骤2中,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,具体为:
5.根据权利要求1至4任一项所述的基于非线性偏差演化的天基光学观测短弧关联与聚类方法,其特征在于,步骤3具体包括:
设斜距的取值区间/>以及斜距变化率/>的取值区间在斜距/>与斜距变化率/>平面上所圈定的区域为/>,则各观测弧段对应目标轨道在斜距与斜距变化率平面上的容许域范围为区域/>、区域/>与区域/>的交集,即:
6.根据权利要求1至4任一项所述的基于非线性偏差演化的天基光学观测短弧关联与聚类方法,其特征在于,步骤4中,根据两观测弧段间最小马氏距离的确定过程为:
7.根据权利要求1至4任一项所述的基于非线性偏差演化的天基光学观测短弧关联与聚类方法,其特征在于,步骤5具体为:
若两待关联观测弧段之间的最小马氏距离小于或等于5,则判定两观测弧段之间关联成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211594600.6A CN115659196B (zh) | 2022-12-13 | 2022-12-13 | 基于非线性偏差演化的天基光学观测短弧关联与聚类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211594600.6A CN115659196B (zh) | 2022-12-13 | 2022-12-13 | 基于非线性偏差演化的天基光学观测短弧关联与聚类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115659196A CN115659196A (zh) | 2023-01-31 |
CN115659196B true CN115659196B (zh) | 2023-06-23 |
Family
ID=85019537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211594600.6A Active CN115659196B (zh) | 2022-12-13 | 2022-12-13 | 基于非线性偏差演化的天基光学观测短弧关联与聚类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115659196B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117249835B (zh) * | 2023-11-09 | 2024-03-29 | 南京航空航天大学 | 一种天基无源协同多目标观测数据关联定位方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224737A (zh) * | 2015-09-22 | 2016-01-06 | 中国人民解放军63921部队 | 一种空间目标轨道改进初值修正方法 |
CN107153209A (zh) * | 2017-07-06 | 2017-09-12 | 武汉大学 | 一种短弧段低轨导航卫星实时精密定轨方法 |
CN108761507A (zh) * | 2018-05-21 | 2018-11-06 | 中国人民解放军战略支援部队信息工程大学 | 基于短弧定轨和预报的导航卫星轨道快速恢复方法 |
CN109506630A (zh) * | 2018-11-02 | 2019-03-22 | 北京空间飞行器总体设计部 | 一种甚短弧高频仅角度观测值的初轨确定方法 |
CN110017832A (zh) * | 2019-03-19 | 2019-07-16 | 华中科技大学 | 一种基于Gauss解群优选的短弧初轨确定方法 |
CN110986962A (zh) * | 2019-12-09 | 2020-04-10 | 中国科学院国家授时中心 | 基于高轨通信卫星的低轨卫星全弧段测定轨方法 |
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 |
CN112945182A (zh) * | 2021-01-26 | 2021-06-11 | 深圳市微视星辰数据网络科技有限公司 | 一种观测数据-编目目标关联匹配方法 |
CN113204917A (zh) * | 2021-04-25 | 2021-08-03 | 中国科学院国家空间科学中心 | 针对geo目标的天基光学测角弧段初定轨及关联方法 |
CN114396953A (zh) * | 2021-11-30 | 2022-04-26 | 中国西安卫星测控中心 | 一种天基短弧光学测轨数据的关联方法 |
-
2022
- 2022-12-13 CN CN202211594600.6A patent/CN115659196B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224737A (zh) * | 2015-09-22 | 2016-01-06 | 中国人民解放军63921部队 | 一种空间目标轨道改进初值修正方法 |
CN107153209A (zh) * | 2017-07-06 | 2017-09-12 | 武汉大学 | 一种短弧段低轨导航卫星实时精密定轨方法 |
CN108761507A (zh) * | 2018-05-21 | 2018-11-06 | 中国人民解放军战略支援部队信息工程大学 | 基于短弧定轨和预报的导航卫星轨道快速恢复方法 |
CN109506630A (zh) * | 2018-11-02 | 2019-03-22 | 北京空间飞行器总体设计部 | 一种甚短弧高频仅角度观测值的初轨确定方法 |
CN110017832A (zh) * | 2019-03-19 | 2019-07-16 | 华中科技大学 | 一种基于Gauss解群优选的短弧初轨确定方法 |
CN110986962A (zh) * | 2019-12-09 | 2020-04-10 | 中国科学院国家授时中心 | 基于高轨通信卫星的低轨卫星全弧段测定轨方法 |
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 |
CN112945182A (zh) * | 2021-01-26 | 2021-06-11 | 深圳市微视星辰数据网络科技有限公司 | 一种观测数据-编目目标关联匹配方法 |
CN113204917A (zh) * | 2021-04-25 | 2021-08-03 | 中国科学院国家空间科学中心 | 针对geo目标的天基光学测角弧段初定轨及关联方法 |
CN114396953A (zh) * | 2021-11-30 | 2022-04-26 | 中国西安卫星测控中心 | 一种天基短弧光学测轨数据的关联方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115659196A (zh) | 2023-01-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101975575B (zh) | 基于粒子滤波的被动传感器多目标跟踪方法 | |
Xiong et al. | Detection of satellite attitude sensor faults using the UKF | |
CN106372646B (zh) | 基于srck-gmcphd滤波的多目标跟踪方法 | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
CN115659196B (zh) | 基于非线性偏差演化的天基光学观测短弧关联与聚类方法 | |
CN104794735B (zh) | 基于变分贝叶斯期望最大化的扩展目标跟踪方法 | |
CN105954720B (zh) | 存在无源探测观测站位置误差的辐射源时差定位方法 | |
CN111798491A (zh) | 一种基于Elman神经网络的机动目标跟踪方法 | |
Beard et al. | A generalised labelled multi-Bernoulli filter for extended multi-target tracking | |
Armellin et al. | High-order expansion of the solution of preliminary orbit determination problem | |
Sarychev et al. | Optimal regressors search subjected to vector autoregression of unevenly spaced TLE series | |
CN104035110A (zh) | 应用于多模卫星导航***中的快速卡尔曼滤波定位方法 | |
CN109581430B (zh) | 一种基于伪卫星的gbas电离层空间梯度的监测方法 | |
Armellin et al. | Probabilistic initial orbit determination | |
CN114924270A (zh) | 基于GNSS的InSAR形变监测基准建立方法及装置 | |
CN113923590A (zh) | 一种锚节点位置不确定情况下的toa定位方法 | |
CN104021311A (zh) | 一种基于Hermite函数约束的数据融合计算方法 | |
CN111913462B (zh) | 一种基于广义多块独立元分析模型的化工故障监测方法 | |
Tian et al. | Novel hybrid of strong tracking Kalman filter and improved radial basis function neural network for GPS/INS integrated navagation | |
CN106257529B (zh) | 基于区间有效独立法及其可能度计算的传感器配置方法 | |
GRUSZCZYŃSKI et al. | UNCERTAINTY IN DETERMINING THE PARAMETERS OF THE SURFACE DEFORMATION MODEL. | |
JP2005133115A (ja) | 高炉操業における操業監視方法、装置、及びコンピュータプログラム | |
Eapen et al. | Sensor Tasking Strategies for Space-Based Observers in the Cislunar Environment | |
Jargani et al. | State estimation of nonlinear systems using novel adaptive unscented Kalman filter | |
Sanfedino | A Multifidelity Approach to Robust Orbit Determination |
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 |