[发明专利]一种基于卷积神经网络的深空探测器状态监视识别的方法

说明书

本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，包括以下步骤：采用仿真以及频率偏移的方式，生成探测器所有可能的技术状态对应的探测器下行频谱；再根据目标完成对探测器下行频谱的分类，将每种分类作为标签添加到探测器下行频谱中，形成训练样本数据；建立卷积神经网络，对所述卷积神经网络进行分类识别训练，得到训练完成的卷积神经网络；对实时采集得到的实际频谱数据进行识别，得到探测器技术状态识别结果。本发明可以大大减轻地面人员工作量，为深空探测器的无人状态监视判断和异常情况下应急处置等提供自动化支持。

技术领域

本发明属于航天器测控技术领域，具体涉及一种基于卷积神经网络的深空探测器状态监视识别的方法。

背景技术

深空探测任务具有任务周期长的特点，如旅行者1号从上世纪70年代发射，至今已经飞行约50年。随着深空探测技术的不断发展，未来必将走向更远的深空，并且，深空探测的时间跨度可能长达数年甚至数十年，在如此长的时间跨度内，无法采用目前的人工方式对深空探测器状态进行实时监视和识别。

因此，如何能够针对深空探测器的特点，对探测器状态进行自动监视，是目前急需解决的问题。

发明内容

针对现有技术存在的缺陷，本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，可有效解决上述问题。

本发明采用的技术方案如下：

本发明提供一种基于卷积神经网络的深空探测器状态监视识别的方法，包括以下步骤：

步骤1，获取训练样本集，所述训练样本集通过以下方式获取：

步骤1.1，确定用于描述探测器状态的n种探测器状态参数Key，以及确定每种探测器状态参数Key的取值Value；

其中，所述探测器状态参数Key的取值Value包括两类，第一类为：取值Value为至少一个离散值；第二类为：取值Value为取值范围，同时确定步长值；

步骤1.2，将n种探测器状态参数Key的取值Value进行所有可能的组合，每种组合形成一种技术状态，由此得到探测器所有可能的技术状态；

其中，在对探测器状态参数Key的取值Value进行组合时，如果取值Value为取值范围，则在该取值范围内按步长值取值，由此得到该取值范围内多个离散值，每个离散值参与一次组合；

步骤1.3，仿真生成探测器每种技术状态对应的探测器下行频谱，由此得到探测器全技术状态频谱；

步骤1.4，确定探测器状态类别：

步骤1.4.1，在n种所述探测器状态参数Key的取值Value中，确定第1级目标组合；

所述第1级目标组合为：从n种探测器状态参数Key中选择任意种类的探测器状态参数Key作为探测器目标状态参数和/或从探测器状态参数Key的取值Value中，选择任意数量的取值Value作为探测器目标状态参数的目标取值；

如果不具有第1级目标组合，则探测器状态类别为第0类别；

如果具有第1级目标组合，则探测器状态类别为第1类别；

步骤1.4.2，确定与第1级目标组合不相同的第2级目标组合；

对于第0类别的探测器状态，如果不具有第2级目标组合，则探测器状态类别为第0-1类别；如果具有第2级目标组合，则探测器状态类别为第0-2类别；

步骤1.4.3，依此类推，根据确定的不同级别的目标组合，确定探测器状态类别；

步骤1.5，将步骤1.4确定的探测器状态类别，作为标签增加到步骤1.3得到的每个探测器下行频谱中，由此得到带标签的探测器下行频谱；