基于机器学习的低轨卫星轨道预报精度提升模型建立方法

摘要

本发明是关于一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法。包括：采用精密数值外推软件生成全动力学模型下的轨道真值数据X

说明书

技术领域

本公开实施例涉及航天测控及人工智能技术领域，尤其涉及一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法。

背景技术

在人造卫星观测过程中，经常出现由于云团遮蔽或经过亮星等暂时无法继续跟踪目标的情况。等到目标再次出现时，精度高而视场小的观测设备就会丢失目标。虽然也可以使用视场大而精度低的辅助观测设备来人工发现目标，并将其修正到主观测设备的视场中去，但由于人造卫星在视场中运动速度较快，人工发现并修正的办法并不理想。

如果能利用已有的测量数据对目标的运动轨迹进行短期预测，就可以引导主观测设备在目标重新出现后继续跟踪，传统的轨道预测方法通常基于精确的动力学模型和数值积分器，卫星轨道预报精度极大程度上来依赖于动力学模型的精度。

然而，通常来说，对于物理世界的有限了解使得在对物理世界的不同摄动力建模的过程中，总是存在误差，对于人类来说，对物理世界的了解是有限的，这意味着对不同摄动力的建模总是存在误差。例如，大气引力模型的准确性对于低地轨道卫星的轨道预测精度至关重要，而现有的大气引力模型的准确性还不够高。

因此，有必要改善上述相关技术方案中存在的一个或者多个问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开的目的在于提供一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法，进而至少在一定程度上克服由于相关技术的限制和缺陷而导致的一个或者多个问题。

根据本公开的第一方面，提供一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法，包括：

采用精密数值外推软件生成全动力学模型下的轨道真值数据X

根据轨道真值数据X

基于XGBoost(eXtreme Gradient Boosting极端梯度提升)模型，以轨道真值误差为目标变量确定预设输入特征变量，并对所述预设输入特征变量和所述目标变量进行归一化处理；

将归一化处理后的所述预设输入特征变量和所述目标变量利用XGBoost模型进行分析，以决定系数R

使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数；

将所述关键输入特征变量、所述目标变量和所述最优超参数输入所述XGBoost模型进行训练，获得预报精度提升模型。

本公开一实施例中，根据轨道真值数据X

根据每个预报时刻的轨道真值数据X

根据每个预报时刻的轨道估计数据X

其中，t

本公开一实施例中，所述预设输入特征变量包括：预报时间间隔Δt＝t

本公开一实施例中，所述预报时间间隔Δt≤7天。

本公开一实施例中，对所述预设输入特征变量进行归一化处理的方法为：

采用公式

本公开一实施例中使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数，包括：

对所述XGBoost模型的关键超参数设置取值范围；

根据归一化处理后的所述关键输入特征变量和所述目标变量，采用网格搜索的方法，通过遍历不同的关键超参数对所述XGBoost模型进行训练；

以决定系数R

本公开一实施例中，将分析后的所述关键输入特征变量和所述目标变量输入所述XGBoost模型进行训练时，将损失函数选择为均方根误差函数。

本公开一实施例中，对所述目标变量进行归一化处理的方法包括：

采用公式

本公开一实施例中，所述目标输入特征变量集合中的目标输入特征变量为Δt、C

本公开一实施例中，还包括：采用公式

本公开提供的技术方案可以包括以下有益效果：

本公开的实施例中，上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，基于XGBoost建立了轨道预报精度提升模型，能够对轨道预报误差进行估计，能够快速的估计得到相对于真轨道而言的轨道预报误差且估计精度较高，极好的提高了低轨卫星轨道预报的精度。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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获得其他的附图。

图1示出本发明示例性实施例中基于机器学习的低轨卫星轨道预报精度提升模型建立方法流程图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。

此外，附图仅为本发明实施例的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

本示例实施方式中首先提供了一种基于机器学习的低轨卫星轨道预报精度提升模型建立方法。参考图1中所示，该基于机器学习的低轨卫星轨道预报精度提升模型建立方法可以包括：

步骤S101：采用精密数值外推软件生成全动力学模型下的轨道真值数据X

步骤S102：根据轨道真值数据X

步骤S103：基于XGBoost(eXtreme Gradient Boosting极端梯度提升)模型，以轨道真值误差为目标变量确定预设输入特征变量，并对所述预设输入特征变量和所述目标变量进行归一化处理；

步骤S104：将归一化处理后的所述预设输入特征变量和所述目标变量利用XGBoost模型进行分析，以决定系数R

步骤S105：使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数；

步骤S106：将所述关键输入特征变量、所述目标变量和所述最优超参数输入所述XGBoost模型进行训练，获得预报精度提升模型。

具体的，全动力学模型为考虑到全部动力学因素的模型，预设动力学模型为假设的，预设动力学模型得到的轨道数据相对于全动力学模型得到的轨道数据具有一定的误差。预设输入特征变量集合中包括所有的可能会与轨道真值误差有关的所有输入特征变量。网格搜索：一种调参手段，穷举搜索：在所有候选的参数选择中，通过循环遍历，尝试每一种可能性，表现最好的参数就是最终的结果。示例性的，采用精密数值外推软件可以外推生成4周的仿真数据来进行预报精度提升模型的建立，其中第1-3周数据作为训练集数据，第4周数据作为测试集数据，所有测试集中的轨道预报值基于训练集中的轨道估计值外推得到。其中，全动力学模型和预设动力学模型的参数可以如下表所示：

上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，基于XGBoost建立了轨道预报精度提升模型，能够对轨道预报误差进行估计，能够快速的估计得到相对于真轨道而言的轨道预报误差且估计精度较高，极好的提高了低轨卫星轨道预报的精度。

下面，将参考图1对本示例实施方式中的上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法的各个部分进行更详细的说明。

在一个实施例中，根据轨道真值数据X

根据每个预报时刻的轨道真值数据X

根据每个预报时刻的轨道估计数据X

其中，t

具体的，同一预报时刻得到的轨道真值数据减去轨道预测数据即为轨道预测数据与轨道真值数据之间的轨道真值误差，同一预报时刻得到的轨道估计数据减去轨道预测数据即为轨道估计数据与轨道预测数据之间的轨道相对预报误差。

在一个实施例中，所述预设输入特征变量包括：预报时间间隔Δt＝t

在一个实施例中，所述预报时间间隔Δt≤7天。具体的，最大预报时间间隔不大于7天，适用于大多数低轨卫星的情况。

在一个实施例中，对所述预设输入特征变量进行归一化处理的方法为：

采用公式

具体的，将预设输入特征变量Δt、C

在一个实施例中，使用网格搜索方法，根据归一化处理后的所述关键输入特征变量和所述目标变量对所述XGBoost模型进行超参数寻优，得到最优超参数，包括：

对所述XGBoost模型的关键超参数设置取值范围；

根据归一化处理后的所述关键输入特征变量和所述目标变量，采用网格搜索的方法，通过遍历不同的关键超参数对所述XGBoost模型进行训练；

以决定系数R

具体的，采用网格搜索(Grid Search)方法，寻找XGBoost模型的关键特征变量，由于目标变量轨道真值误差e有6维，因此需要训练6个模型进行预测，以e

在一个实施例中，将分析后的所述关键输入特征变量和所述目标变量输入所述XGBoost模型进行训练时，将损失函数选择为均方根误差函数。

在一个实施例中，对所述目标变量进行归一化处理的方法包括：

采用公式

具体的，将目标变量中的最大值和最小值分别代入上述公式，分别获得所述各预设输入特征变量的归一化处理值。

在一个实施例中，所述目标输入特征变量集合中的目标输入特征变量为Δt、C

在一个实施例中，还包括：采用公式

上述基于机器学习的低轨卫星轨道预报精度提升模型建立方法，基于XGBoost建立了轨道预报精度提升模型，能够对轨道预报误差进行估计，能够快速的估计得到相对于真轨道而言的轨道预报误差且估计精度较高，极好的提高了低轨卫星轨道预报的精度。

需要理解的是，上述描述中的术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明实施例的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示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一个或者更多个该特征。在本发明实施例的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本发明实施例中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，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；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。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发明中的具体含义。

在本发明实施例中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。