[发明专利]一种卫星精确轨道预报方法

说明书

技术领域

本发明属于航天轨道动力学技术领域，涉及一种卫星精确轨道预报方法。 

背景技术

卫星轨道预报是卫星应用研究的基础，对理论研究和实测工作具有重要意义。轨道预报特别是高精度轨道预报的精度主要依赖于动力力模型精度。动力学模型的精度直接影响预报精度，然而空间动力学环境的高度复杂，卫星运动摄动力的非线性导致了卫星在轨运动的非线性，再加上卫星本身各种参数的不确定性，单纯动力学模型的精度受到限制，预报精度提高比较困难。 

为了弥补单纯动力学模型的精度的不足，不同的方法得以探索，如利用切比雪夫多项式拟合CHAMP卫星轨道然后进行外推的方法，但该方法外推时间只有50秒。近几年研究较多的神经网络在图像及模式识别方面的作用非常大，根据GPS卫星星历的相关周期特性，以时间序列预报作为基础，利用神经网络建立预报模型，可得到精度为一个星期数百米的预报结果。但单纯利用神经网络方法的状态量动态范围大，限制了预报精度的提高。 

发明内容

为解决现有技术中存在的对卫星精确轨道预报的误差较大或预报时间较短的问题，本发明旨在提出一种减小误差、提高精度、适用期长的预报方法。 

为了实现上述目标，本发明采用如下的卫星精确轨道预报方法：以卫星星历和动力学模型算出的预报星历与真实星历的对比结果进行深度神经网络自动学习训练，获得深度神经网络补偿器；然后以深度神经网络补偿器求得的误差补偿与动力学模型求出的预报轨道结果相加得出卫星精确轨道的预报。 

具体的，本发明的卫星精确轨道预报方法中获得深度神经网络补偿器包括以下步骤： 

S01：以卫星星历作为伪观测资料计算出某初始时刻的卫星轨道信息T₀； 

S02：由动力学模型采用数值积分的方法得出预报星历T； 

S03：求得T与真实卫星星历的比对结果T； 

S04：T作为深度神经网络的输入，修正值作为深度神经网络的输出，得到与T之间的映射关系的逼近函数，即深度神经网络补偿器

对于步骤三，具体的，加入深度神经网络补偿器的动力学模型方程如下： 

其中是已知动力学模型，是神经网络输出，初始时刻的位置和速度分别用表示，它是卫星状态和网络权值的函数，深度神经网络直接对动力学模型提供补偿。 

进一步的，在步骤一深度神经网络补偿器的训练阶段，相隔T天的初始时刻下预报误差大小和相位均较接近，则选择T天之前的预 报结果作为训练样本，得到的深度神经网络补偿器对当前时刻下的预报星历进行补偿。 

得到深度神经网络补偿器后，对于短期卫星精确轨道预报和中长期卫星精确轨道预报分两种情况，具体的先定义表达式来表示某弧段内的状态量，其中为状态量的名称，XX为计算模型，a为初始时刻，b为弧段的开始时刻，c为该弧段的结束时刻，DM表示动力学模型，ANN表示神经网络模型，那么短期卫星精确轨道预报时，得出深度神经网络补偿器的训练阶段和应用补偿器的预报阶段如下表1所示： 

其中最终求得预报结果为： 

而卫星中长期精确轨道预报时，得出深度神经网络补偿器的训练阶段和应用补偿器的预报阶段则如下表2所示： 

其中最终求得预报结果为： 

对于中长期卫星精确轨道预报时更进一步扩展补偿时间，可以T₀-2T、T₀-3T作为训练的初始时刻。 

此外，该方法除了以卫星星历作为伪观测值计算外，还可以利用实际观测值来训练深度神经网络补偿器，即在步骤一中以实际观测值Y、观测量的计算值Y*、及其残差y来训练深度神经网络补偿器，表达式如下： 

Y^*=H(X,t)，y=Y-Y^*

此处所述的实际观测量Y可以是测角、测速、伪距。 

本方法设计了一个深度神经网络模型补偿器，利用深度神经网络对非线性函数关系较好的逼近特性，建立了卫星真实运动模型与现有动力学模型之间的误差模型，作为现有的动力学模型的补偿，以提高卫星轨道预报的精度。有益效果在于本方法利用基于能量的训练学习 算法对深度神经网络进行训练，有效避免了训练后网络参数落于局部最小值；并且该方法在动力学预报模型与深度神经网络为两个较独立的部分，结构简单，容易实现，相比较单纯对动力学模型或其他神经网络算法来说提高了轨道预报的精度及长期预报中对预报误差趋势的控制。 

附图说明