本發(fā)明涉及衛(wèi)星初始軌道確定領(lǐng)域，具體涉及一種內(nèi)嵌物理知識(shí)神經(jīng)網(wǎng)絡(luò)的衛(wèi)星初始軌道確定方法。

背景技術(shù)：

1、隨著航天科技的不斷進(jìn)步，尤其是運(yùn)載能力的顯著提升，進(jìn)入太空的衛(wèi)星數(shù)量呈現(xiàn)出爆發(fā)式增長。這為人類對(duì)太空的探索和利用提供了更多機(jī)遇，但也帶來了日益復(fù)雜的運(yùn)行環(huán)境。在這種背景下，精準(zhǔn)確定衛(wèi)星的軌道參數(shù)變得尤為重要。這不僅是確保衛(wèi)星正常運(yùn)行的關(guān)鍵手段，能夠?qū)崟r(shí)監(jiān)測衛(wèi)星的健康狀態(tài)，還在預(yù)防潛在航天器碰撞和避免太空碎片產(chǎn)生方面發(fā)揮著重要作用。通過優(yōu)化軌道參數(shù)的監(jiān)測和管理，能夠更加有效地維護(hù)太空運(yùn)行秩序，保障人類未來的太空活動(dòng)安全。

2、傳統(tǒng)的軌道確定方法基于對(duì)衛(wèi)星狀態(tài)建模，主要有吉布斯法、蘭伯特法和牛頓迭代法等。吉布斯法利用三次位置向量確定軌道，通過矢量運(yùn)算直接計(jì)算軌道參數(shù)，適用于兩體問題，但當(dāng)測量時(shí)間間隔較大時(shí)誤差會(huì)明顯增加，且不適用于擾動(dòng)較大的情況；蘭伯特法通過給定兩個(gè)位置和時(shí)間間隔，求解軌道，常用于軌道轉(zhuǎn)移計(jì)算，能夠適用于復(fù)雜軌道設(shè)計(jì)，但解方程過程復(fù)雜，且對(duì)初始猜測值敏感，可能出現(xiàn)收斂問題；牛頓迭代法通過反復(fù)迭代逼近精確軌道解，適用于高精度軌道確定問題，但由于需要多次迭代，計(jì)算量較大，且初始條件選擇不當(dāng)時(shí)可能不收斂或收斂過慢。

3、隨著深度學(xué)習(xí)技術(shù)在多個(gè)領(lǐng)域的快速應(yīng)用，近年來已經(jīng)有基于數(shù)據(jù)驅(qū)動(dòng)的神經(jīng)網(wǎng)絡(luò)方法用于估計(jì)衛(wèi)星的運(yùn)動(dòng)狀態(tài)。這類方法不再依賴于對(duì)攝動(dòng)力的精確建模，而是通過從大量數(shù)據(jù)中提取觀測量與衛(wèi)星運(yùn)動(dòng)狀態(tài)之間的關(guān)系。然而，神經(jīng)網(wǎng)絡(luò)方法對(duì)觀測數(shù)據(jù)的質(zhì)量較為敏感，且泛化能力不足，難以在多種復(fù)雜環(huán)境中廣泛應(yīng)用。因此，衛(wèi)星軌道確定技術(shù)的進(jìn)一步改進(jìn)和優(yōu)化仍然具有重要的現(xiàn)實(shí)意義。

4、現(xiàn)有的初始軌道確定技術(shù)在實(shí)際應(yīng)用中存在一些不足之處，主要表現(xiàn)在以下幾個(gè)方面：(1)傳統(tǒng)算法計(jì)算量較大，收斂速度較慢；(2)初始值選擇敏感，容易影響算法的精度和收斂性；(3)深度學(xué)習(xí)算法對(duì)數(shù)據(jù)質(zhì)量要求較高，難以在多種場景下實(shí)現(xiàn)泛化應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的技術(shù)解決的問題是：克服現(xiàn)有技術(shù)不足，提供衛(wèi)星的初始軌道確定方法，結(jié)合物理知識(shí)和深度學(xué)習(xí)模型，提升軌道參數(shù)估計(jì)的效率和精度，實(shí)現(xiàn)對(duì)衛(wèi)星的高精度定軌。

2、本發(fā)明的技術(shù)解決方案為一種內(nèi)嵌物理知識(shí)神經(jīng)網(wǎng)絡(luò)的衛(wèi)星初始軌道確定方法，包括以下步驟：

3、步驟(1)構(gòu)建一個(gè)解碼器，其結(jié)構(gòu)為多層感知機(jī)神經(jīng)網(wǎng)絡(luò)，其輸入為衛(wèi)星絕對(duì)運(yùn)動(dòng)狀態(tài)量(即其在地心慣性坐標(biāo)系中的位置和速度)和觀測者的經(jīng)緯度與海拔高度，輸出為衛(wèi)星相對(duì)觀測者的觀測量，以預(yù)測觀測值與真實(shí)觀測值之間的均方誤差作為損失函數(shù)，訓(xùn)練此神經(jīng)網(wǎng)絡(luò)。訓(xùn)練過程結(jié)束后，固定解碼器網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。

4、步驟(2)構(gòu)建一個(gè)編碼器，其結(jié)構(gòu)為transformer結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，其輸入為衛(wèi)星相對(duì)觀測者的觀測量、觀測時(shí)間和觀測者的經(jīng)緯度與海拔高度，輸出為衛(wèi)星絕對(duì)運(yùn)動(dòng)狀態(tài)量(即其在地心慣性坐標(biāo)系中的位置和速度)。

5、步驟(3)將步驟(2)中的編碼器和固定了結(jié)構(gòu)和參數(shù)的解碼器依次連接，即編碼器的輸出作為解碼器的輸入，構(gòu)建一個(gè)用于軌道確定的編碼器-解碼器網(wǎng)絡(luò)。

6、步驟(4)針對(duì)步驟(3)網(wǎng)絡(luò)預(yù)測的衛(wèi)星絕對(duì)狀態(tài)量，計(jì)算衛(wèi)星絕對(duì)狀態(tài)量相對(duì)觀測時(shí)間的一階導(dǎo)數(shù)，根據(jù)速度方程和加速度方程計(jì)算速度項(xiàng)和加速度項(xiàng)物理信息損失。

7、步驟(5)針對(duì)步驟(4)的物理信息項(xiàng)損失計(jì)算結(jié)果，與觀測量的均方誤差相加構(gòu)建總的損失函數(shù)。訓(xùn)練階段，網(wǎng)絡(luò)進(jìn)行誤差反向傳播，優(yōu)化編碼器的網(wǎng)絡(luò)參數(shù)。推理階段，將編碼器預(yù)測的衛(wèi)星的絕對(duì)運(yùn)動(dòng)狀態(tài)量轉(zhuǎn)換為軌道要素形式。

8、進(jìn)一步，所述步驟(1)的具體實(shí)現(xiàn)方法如下：

9、將數(shù)據(jù)整理為解碼器輸入和輸出的格式，輸入包含觀測者位置參數(shù)：經(jīng)度lat、緯度lon與海拔高度alt和衛(wèi)星在地心慣性坐標(biāo)系中的位置和速度：

10、r＝[x,y,z]

11、v＝[vx,vy,vz]

12、輸出為衛(wèi)星相對(duì)觀測者的觀測量，在光學(xué)觀測條件下可用觀測角度量即俯仰角ele與方向角azi表示。

13、構(gòu)建一個(gè)多層感知機(jī)神經(jīng)網(wǎng)絡(luò)作為解碼器。具體而言，該解碼器包含多個(gè)參數(shù)共享、結(jié)構(gòu)相同的子網(wǎng)絡(luò)，子網(wǎng)絡(luò)數(shù)量與觀測弧段中量測數(shù)據(jù)點(diǎn)數(shù)相同。每個(gè)子網(wǎng)絡(luò)分別對(duì)單個(gè)量測數(shù)據(jù)點(diǎn)進(jìn)行解碼，通過參數(shù)共享的方式可降低參數(shù)的規(guī)模。

14、解碼器的損失函數(shù)形式為預(yù)測觀測角度量值與真實(shí)觀測角度量值之間的均方誤差：

15、

16、其中，elei和elei分別為第i個(gè)觀測數(shù)據(jù)點(diǎn)的網(wǎng)絡(luò)預(yù)測俯仰角數(shù)值和真實(shí)觀測俯仰角數(shù)值，azii和azii分別為第i個(gè)觀測點(diǎn)的網(wǎng)絡(luò)預(yù)測方位角數(shù)值和真實(shí)觀測方位角數(shù)值，n為弧段中量測數(shù)據(jù)點(diǎn)數(shù)。

17、將誤差反向傳播，優(yōu)化此解碼器的網(wǎng)絡(luò)參數(shù)。

18、進(jìn)一步，所述步驟(2)的具體實(shí)現(xiàn)方法如下：

19、構(gòu)建一個(gè)transformer結(jié)構(gòu)神經(jīng)網(wǎng)絡(luò)作為編碼器，用于捕捉序列量測數(shù)據(jù)之間的關(guān)系，并預(yù)測的運(yùn)動(dòng)狀態(tài)。其輸入為衛(wèi)星相對(duì)觀測者的俯仰角ele與方向角azi、觀測時(shí)間t和觀測者的經(jīng)度lat、緯度lon與海拔高度alt，輸出為衛(wèi)星在地心慣性坐標(biāo)系中的位置和速度，且輸入和輸出均為觀測弧段中的序列化數(shù)據(jù)：

20、r＝[x,y,z]

21、v＝[vx,vy,vz]

22、進(jìn)一步，所述步驟(3)的具體實(shí)現(xiàn)方法如下：

23、將步驟(2)中的編碼器和步驟(1)中訓(xùn)練完成后固定結(jié)構(gòu)和參數(shù)的解碼器依次連接，即編碼器的輸出作為解碼器的輸入。并在編碼器的輸入輸出間增加一條通路，將觀測者的經(jīng)度lat、緯度lon與海拔高度alt作為編碼器輸出的一部分，在解碼器的輸入輸出間增加一條通路，將衛(wèi)星在地心慣性坐標(biāo)系中的位置r和速度v作為解碼器輸出的一部分，構(gòu)建一個(gè)用于軌道確定的編碼器-解碼器網(wǎng)絡(luò)。此編碼器-解碼器網(wǎng)絡(luò)的輸入為衛(wèi)星相對(duì)觀測者的俯仰角ele與方向角azi、觀測時(shí)間t和觀測者的經(jīng)度lat、緯度lon與海拔高度alt，輸出為衛(wèi)星在地心慣性坐標(biāo)系中的位置r與速度v和衛(wèi)星相對(duì)觀測者的俯仰角ele與方向角azi。

24、進(jìn)一步，所述步驟(4)的具體實(shí)現(xiàn)方法如下：

25、針對(duì)步驟(3)網(wǎng)絡(luò)預(yù)測的衛(wèi)星絕對(duì)狀態(tài)量，計(jì)算衛(wèi)星的位置r和速度v相對(duì)觀測時(shí)間t一階導(dǎo)數(shù)，根據(jù)衛(wèi)星在受地球中心引力和j2攝動(dòng)力下的動(dòng)力學(xué)方程可知：

26、

27、

28、其中r為位置r的大小，μ為引力常數(shù)，j2為j2攝動(dòng)系數(shù)，re為地球的半徑。

29、進(jìn)一步，所述步驟(5)的具體實(shí)現(xiàn)方法如下：

30、根據(jù)步驟(4)中衛(wèi)星的位置r和速度v相對(duì)觀測時(shí)間t一階導(dǎo)數(shù)方程可知，神經(jīng)網(wǎng)絡(luò)預(yù)測的衛(wèi)星位置r和速度v應(yīng)滿足上述速度方程和加速度方程，因此根據(jù)此方程構(gòu)造物理信息項(xiàng)損失，對(duì)網(wǎng)絡(luò)輸出加以約束。其中速度項(xiàng)損失的形式為：

31、

32、其中和為網(wǎng)絡(luò)預(yù)測的衛(wèi)星在地心慣性坐標(biāo)系中的位置分量，和為網(wǎng)絡(luò)預(yù)測的衛(wèi)星在地心慣性坐標(biāo)系中的速度分量。加速度項(xiàng)的損失形式為：

33、

34、網(wǎng)絡(luò)的總損失包含預(yù)測觀測值與真實(shí)觀測值之間的均方誤差損失、速度項(xiàng)損失和加速度項(xiàng)損失：

35、l＝λdld+λvlv+λala

36、其中，λd、λv和λa分別是三項(xiàng)損失的權(quán)重。

37、在訓(xùn)練過程中，保持解碼器的網(wǎng)絡(luò)結(jié)構(gòu)和權(quán)重不發(fā)生變化，更新編碼器的網(wǎng)絡(luò)參數(shù)。

38、推理階段，將編碼器預(yù)測的衛(wèi)星的絕對(duì)運(yùn)動(dòng)狀態(tài)量轉(zhuǎn)換為軌道要素形式。

39、計(jì)算地心距r大?。?/p>

40、計(jì)算速度v大?。?/p>

41、計(jì)算總能量：

42、計(jì)算半長軸a：

43、計(jì)算動(dòng)量矩h＝r×v的分量列陣：

44、計(jì)算動(dòng)量矩的模h：

45、計(jì)算半通徑p：

46、計(jì)算偏心率e：

47、計(jì)算升交點(diǎn)矢量b＝ki×h的分量列陣：

48、

49、其中ki是zi軸的單位矢量，且

50、(ki)i＝(0,0,1)t

51、計(jì)算偏心率矢量的分量列陣

52、

53、計(jì)算軌道傾角i：

54、計(jì)算升交點(diǎn)赤經(jīng)ω：

55、計(jì)算近地點(diǎn)幅角ω：

56、計(jì)算緯度幅角u：

57、計(jì)算真近點(diǎn)角θ：θ＝u-ω

58、計(jì)算偏近點(diǎn)角e：

59、計(jì)算平近點(diǎn)角m：m＝e-esine

60、本發(fā)明與現(xiàn)有技術(shù)相比的優(yōu)點(diǎn)在于：

61、(1)本發(fā)明采用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和推理能力，降低了傳統(tǒng)算法中繁瑣的計(jì)算量，能夠更快速地進(jìn)行軌道參數(shù)的估計(jì)。

62、(2)本發(fā)明通過引入衛(wèi)星軌道動(dòng)力學(xué)中的物理信息損失項(xiàng)，增強(qiáng)了模型的物理一致性。該方法確保了網(wǎng)絡(luò)輸出與物理方程之間的緊密關(guān)聯(lián)，從而顯著提高了對(duì)衛(wèi)星運(yùn)動(dòng)狀態(tài)的預(yù)測精度。

63、(3)本發(fā)明采用了編碼器-解碼器架構(gòu)，并通過物理信息和觀測誤差的結(jié)合進(jìn)行損失優(yōu)化，使得模型不僅具備較強(qiáng)的學(xué)習(xí)能力，同時(shí)具備較好的泛化能力，適用于不同類型的衛(wèi)星和觀測環(huán)境。

64、(4)與傳統(tǒng)的軌道確定方法相比，本發(fā)明的神經(jīng)網(wǎng)絡(luò)方法不依賴于高精度的初始狀態(tài)建模，能夠靈活處理復(fù)雜的軌道環(huán)境和非線性攝動(dòng)效應(yīng)，使得其應(yīng)用場景更加廣泛。

65、總之，本發(fā)明采用的方法原理簡潔，可達(dá)到快速高精度地確定衛(wèi)星運(yùn)動(dòng)狀態(tài)和軌道參數(shù)的目的。