一种基于机器学习的巨型卫星机动状态识别方法

本发明涉及卫星监测，特别是涉及一种基于机器学习的巨型卫星机动状态识别方法。

背景技术：

1、大型星座卫星轨道机动状态识别是实现空间态势感知、星座卫星碰撞风险评估的核心技术之一。随着大型星座卫星的快速部署，利用大数据、人工智能等技术手段对海量情监侦数据(情报、侦察、监视)进行判读和处理的研究需求日益迫切。为实现对空间环境威胁的准确感知，各航天大国先后开展空间态势感知技术研究。从广义上讲，空间态势感知对所有发生在空间的事件、威胁、活动和状态进行感知，是一切太空活动的基础，是确保太空资产安全的前提和了解太空活动意图的关键手段。在轨卫星的轨道机动是空间态势感知的主要研究内容之一。未来几年内，大型星座卫星将占据空间物体的主导地位，或将成为影响空间安全态势的最大因素。目前仅starlink入轨卫星已近5000个，并计划部署由42000颗卫星组网的星座系统。其计划发射的卫星总数，已远超人类航天活动六十余年来发射的全部卫星总数(截至2023年8月29日为15912颗，其中包括starlink卫星4851颗)。大型星座卫星的轨道机动意图识别将成为空间态势感知的核心技术之一。面对未来太空形势的“复杂化、庞大化”，利用大数据、人工智能等技术手段对海量情监侦数据进行判读和处理，从而缩短情报获取周期的技术手段逐渐成为空间态势感知发展趋势。

2、现有研究中，非合作卫星机动检测方法的一般基于相邻tle数据，对其间发生的机动时刻、脉冲大小及方向的判断。此类算法的精度与机动频率、机动幅度密切相关。当卫星机动频率大于tle数据的更新频率时，相邻tle数据之间可能存在多次机动，此类算法难以实现可靠判断。当机动幅度较小时，此类算法的适用性也随之下降。对于小脉冲持续机动的卫星，两个相邻的tle数据之间可能会发生多次机动操作，导致常规的机动检测方法不再适用。同时，tle数据中不可避免的噪声和异常数据也将对评估结果造成影响。因此，当前的非合作卫星轨道机动识别算法多针对单脉冲机动检测开展，难以对小推力持续机动的大型星座卫星机动状态进行识别。针对大型星座卫星小推力持续机动的轨道机动状态识别方法亟待解决。

技术实现思路

1、本发明的目的是提供一种基于机器学习的巨型卫星机动状态识别方法，能够对大型星座卫星小推力持续机动的轨道机动状态进行识别。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于机器学习的巨型卫星机动状态识别方法，包括：

4、获取目标巨型卫星的两行轨道数据tle数据，基于所述tle数据获取初始半长轴时间序列；

5、采用自编码神经网络对所述初始半长轴时间序列提取低维非线性特征，获取半长轴低维非线性特征向量，其中，所述自编码神经网络基于初始有标签样本训练获得，所述初始有标签样本为标记机动状态的历史半长轴时间序列；

6、将所述半长轴低维非线性特征向量输入轨道机动状态分类模型，获取所述目标巨型卫星的轨道机动状态，其中，所述轨道机动状态分类模型基于决策树模型构建，并基于训练集训练获得，所述训练集为标记机动状态的历史半长轴低维非线性特征向量。

7、可选的，获取所述初始有标签样本包括：

8、获取历史tle数据，并基于所述历史tle数据获取历史半长轴时间序列；

9、基于轨道机动状态对所述历史半长轴时间序列进行划分，获取所述目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据并进行数据清洗和数据预处理，获取等时间间隔的轨道根数时序数据，其中，所述轨道机动状态包括：受控爬升、受控维持、受控下降和无轨道控制；

10、采用滑动窗口算法对所述轨道根数时序数据中半长轴时间序列进行划分并归一化，获取所述初始有标签样本。

11、可选的，所述目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据为：

12、

13、其中，a为半长轴数据，a(tn)为tn时刻的半长轴数据，ystate为机动状态，n为第n个时刻，为目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据。

14、可选的，对所述目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据进行数据清洗包括：

15、当相邻历史半长轴时间序列数据的更新时间间隔超过预设时间，将所述相邻历史半长轴时间序列数据分为不同段的时间序列数据；

16、对所述历史半长轴时间序列数据中的异常数据进行剔除。

17、可选的，对所述目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据进行数据预处理包括：

18、利用sgp4算法对清洗后的数据进行轨道预报，获取所述等时间间隔的轨道根数时序数据：

19、

20、其中，m为第m个时刻，c为第c个时刻。

21、可选的，采用滑动窗口算法对所述轨道根数时序数据中半长轴时间序列进行划分为：

22、xk＝[ak+0,ak+1,...,ak+n1-1]

23、其中，xk为第k个样本，a为半长轴数据，n1为滑窗长度。

24、可选的，采用自编码神经网络对所述初始半长轴时间序列提取低维非线性特征包括：

25、将所述初始半长轴时间序列作为输入向量输入自编码神经网络的编码器，输出中间层特征；

26、将所述中间层特征输入解码器进行样本的重构，获取重建向量即获取所述半长轴低维非线性特征向量。

27、可选的，基于决策树模型构建所述轨道机动状态分类模型包括：

28、根据离散方法，获取不同层数结构的决策树模型；

29、利用所述训练集分别对所述不同层数结构的决策树模型进行训练，对所述不同层数结构的决策树模型进行筛选，获取最优决策树模型作为所述轨道机动状态分类模型。

30、本发明的有益效果为：与现有机动识别方法不同，本发明不关注具体的机动时刻及机动脉冲，而拟将星座卫星轨道机动状态划分为“受控爬升、受控维持、受控下降及无轨道控制”四类，并利用历史数据对四类轨道机动状态识别模型进行训练，能够对大型星座卫星小推力持续机动的轨道机动状态进行识别。本发明可应用于航天器监测预警、碰撞规避领域。基于公开发布的tle数据，对非合作大型星座卫星的轨道状态进行自动识别，为针对此类卫星的预警工作奠定理论基础。

技术特征：

1.一种基于机器学习的巨型卫星机动状态识别方法，其特征在于，包括：

2.根据权利要求1所述的基于机器学习的巨型卫星机动状态识别方法，其特征在于，获取所述初始有标签样本包括：

3.根据权利要求2所述的基于机器学习的巨型卫星机动状态识别方法，其特征在于，所述目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据为：

4.根据权利要求2所述的基于机器学习的巨型卫星机动状态识别方法，其特征在于，对所述目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据进行数据清洗包括：

5.根据权利要求3所述的基于机器学习的巨型卫星机动状态识别方法，其特征在于，对所述目标巨型卫星同一类轨道机动状态的历史半长轴时间序列数据进行数据预处理包括：

6.根据权利要求2所述的基于机器学习的巨型卫星机动状态识别方法，其特征在于，采用滑动窗口算法对所述轨道根数时序数据中半长轴时间序列进行划分为：

7.根据权利要求2所述的基于机器学习的巨型卫星机动状态识别方法，其特征在于，采用自编码神经网络对所述初始半长轴时间序列提取低维非线性特征包括：

8.根据权利要求1所述的基于机器学习的巨型卫星机动状态识别方法，其特征在于，基于决策树模型构建所述轨道机动状态分类模型包括：

技术总结
本发明涉及一种基于机器学习的巨型卫星机动状态识别方法，包括：获取目标巨型卫星的两行轨道数据TLE数据，基于TLE数据获取初始半长轴时间序列；采用自编码神经网络对初始半长轴时间序列提取低维非线性特征，获取半长轴低维非线性特征向量，其中，自编码神经网络基于初始有标签样本训练获得，初始有标签样本为标记机动状态的历史半长轴时间序列；将半长轴低维非线性特征向量输入轨道机动状态分类模型，获取目标巨型卫星的轨道机动状态，其中，轨道机动状态分类模型基于决策树模型构建，并基于训练集训练获得，训练集为标记机动状态的历史半长轴低维非线性特征向量。本发明能够对大型星座卫星小推力持续机动的轨道机动状态进行识别。

技术研发人员：王东方
受保护的技术使用者：中国民航大学
技术研发日：
技术公布日：2025/3/16