[发明专利]探测器器上星历计算方法和计算系统

说明书

技术领域

本发明涉及深空探测器轨道计算技术，具体涉及一种基于神经网络学习的探测器器上星历计算方法和计算系统

背景技术

火星探测器在飞行过程中受到各种天体的引力作用和其它非引力摄动，由于火星探测过程中地面测控通信时延的影响较大，因此探测器自主轨道计算能力是获取实时姿态信息、保证通信链路指向的关键。美国国家航空航天局(NASA)于1998年发射的火星气候轨道器(Mars Climate Orbiter)由于轨道动力学模型中参数单位错误导致探测器获得错误的导航信息进入火星大气层而烧毁。

探测器的器上实时轨道递推算法中，考虑到星载处理器的计算能力和存储空间限制，通常采用解析法计算各天体的星历。解析法的优点是算法简单，不需要存储大量的星历数据，计算效率高，但精度较低；利用高精度发展星历(Development Ephemeris，DE)可以有效弥补器上解析法轨道计算的精度低问题，但原始DE星历占用较大的存储空间，数据的频繁访问会降低自主轨道递推算法的效率。

近年来，随着人工智能技术的飞速发展，以人工神经网络(Artificial Neural Network，ANN)为代表的机器学习算法获得了广泛深入的研究，并在航空航天领域得到了应用。神经网络所具有的学习能力以及逼近任意非线性映射的能力，为非线性系统和不确定系统的控制提供了有效的手段。

因此，结合实际应用需要，可以通过神经网络方法改进星历数据获取算法，兼顾计算精度和资源限制，从而使其适用于器上轨道自主计算。

发明内容

本发明公开一种探测器器上星历计算方法和计算系统，法既能满足递推结果工程精度约束，同时也能满足器载计算机有限资源的约束。

为实现上述目的，本发明提供一种探测器器上星历计算方法，其特点是，该方法包含：

探测器建立三层反向传播神经网络；

探测器采用DE421星历数据作为训练样本，训练三层反向传播神经网络；

探测器采用训练完毕的三层反向传播神经网络进行星历计算。

上述三层反向传播神经网络为只有一个隐含层的前向网络。

上述三层反向传播神经网络的建立方法包含：

建立神经网络的输入层、一层或若干层隐含层和输出层，隐含层连接输入层的输出，输出层连接隐含层的输出，其中输入层、隐含层和输出层中位于同层神经元之间没有耦合。

上述隐含层的激活函数为Sigmoid函数。

上述输出层节点的激活函数为线性函数。

上述训练三层反向传播神经网络模型的方法包含：

设输入神经元个数为I，隐含层神经元个数为J，输出层神经元个数为K；

在正向传播过程中，输入从输入层经隐含层逐层处理，并传向输出层，产生一个基于网络权值w_i,j，w_j,k和阈值θ_i,j，θ_j,k的输出y；

当输出层得不到期望的输出，则转入反向传播，将误差信号沿原来的连接通道返回，通过修改各层神经元的权值和阈值，迭代减小误差信号至误差信号最小。

上述迭代减小误差信号中，第n次迭代的误差信号e(n)定义如式(1)：

式(1)中，d(n)为网络的期望输出，Y(n)为网络的实际输出。

如权利要求6所述的探测器器上星历计算方法，其特征在于，所述权值和阈值的修改方法如式(2)进行更新：

式(2)中η为学习率，体现了误差对权值的影响大小。

一种探测器器上星历计算系统，其特点是，该系统包含：

神经网络建立模块，其建立三层反向传播神经网络；

神经网络训练模块，其连接神经网络建立模块的输出，采用DE421星历数据作为训练样本，训练三层反向传播神经网络；

星历计算模块，其连接神经网络训练模块的输出，采用训练完毕的三层反向传播神经网络进行星历计算。

上述三层反向传播神经网络包含：输入层、连接输入层输出的一层或若干层隐含层，和连接隐含层输出的输出层；分别位于输入层、隐含层和输出层中的同层神经元之间没有耦合。