本發(fā)明涉及任務(wù)星預(yù)測，是一種基于bp神經(jīng)網(wǎng)絡(luò)的超大規(guī)模遙感星群最優(yōu)任務(wù)星預(yù)測方法。

背景技術(shù)：

1、隨著大規(guī)模星座的快速部署全面開展，星座規(guī)模逐漸增大，往往達(dá)到數(shù)千數(shù)萬顆。超大規(guī)模遙感星群的成員數(shù)量多、管控數(shù)據(jù)量大，常用于處理時敏任務(wù)，時敏任務(wù)具有突發(fā)、復(fù)雜以及時效等特性。衛(wèi)星的數(shù)量增多、分布廣泛，單純依靠人工，管控工作將變得十分繁重，在浪費極大的物力和人力的同時，管控耗時顯著增加，已無法應(yīng)對未來瞬息萬變的太空環(huán)境。

2、傳統(tǒng)星座多星任務(wù)規(guī)劃主要面對有限的觀測資源即解決超額訂閱問題，而超大規(guī)模星座由于觀測資源相對充足，則需要在海量的衛(wèi)星中選擇執(zhí)行該任務(wù)最有競爭力的衛(wèi)星。利用現(xiàn)有的軌道預(yù)報和覆蓋計算方法雖然精確度高，但是具有計算量大影響任務(wù)實時性的問題，另外，對于最優(yōu)星的預(yù)測還需要對其任務(wù)過程中的評價指標(biāo)進(jìn)行復(fù)雜計算。近些年,遙感任務(wù)領(lǐng)域的研究者提出了“任務(wù)可調(diào)度性”的概念,利用歷史調(diào)度數(shù)據(jù),在任務(wù)分配前,預(yù)測遙感衛(wèi)星(eos)能否成功調(diào)度。baletal,(2015)利用集成bp神經(jīng)網(wǎng)絡(luò)對單星遙感任務(wù)可調(diào)度星進(jìn)行預(yù)測，平均預(yù)測準(zhǔn)確度可以達(dá)到85％以上。lieta1.(2013)設(shè)計了一種數(shù)據(jù)驅(qū)動的調(diào)度算法，該算法具有由神經(jīng)網(wǎng)絡(luò)構(gòu)建的概率預(yù)測模型。zongetal.(2021)和son(2015)從歷史eos數(shù)據(jù)中提取任務(wù)優(yōu)先級、持續(xù)時間、靈活性、訂閱和沖突等特征，并采用具有可變隱藏層的bp神經(jīng)網(wǎng)絡(luò)模型來制定任務(wù)計劃。針對多個eos的調(diào)度，wangeta.(2011)使用增強(qiáng)拓?fù)涞纳窠?jīng)進(jìn)化(neat)算法為每顆衛(wèi)星開發(fā)了一個強(qiáng)化學(xué)習(xí)模型，并證明了該模型的收斂性和有效性。duetal.(2020)針對大規(guī)模、耗時長的多aeos調(diào)度問題，該文提出一種由概率預(yù)測模型、任務(wù)分配策略和并行調(diào)度方式組成的數(shù)據(jù)驅(qū)動的并行調(diào)度方法。chenetal.(2022)提出了一種基于機(jī)器學(xué)習(xí)的分層預(yù)測模型和啟發(fā)式局部搜索算法組成的實時多星調(diào)度方法，借鑒已有的歷史多eos觀測計劃，為當(dāng)前調(diào)度場景生成高質(zhì)量的初始解。然而，以往研究人員利用神經(jīng)網(wǎng)絡(luò)的方法雖然能夠有效縮短大規(guī)模調(diào)度問題的響應(yīng)時間，但主要面向衛(wèi)星數(shù)目較少的情況，解決多觀測目標(biāo)的任務(wù)調(diào)度問題，所建立的預(yù)測模型僅針對單星適用，對超大規(guī)模星座的討論較少，還沒有關(guān)于直接使用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測任務(wù)星的研究。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種基于bp神經(jīng)網(wǎng)絡(luò)的超大規(guī)模遙感星群最優(yōu)任務(wù)星預(yù)測方法。

2、本發(fā)明提供了一種基于bp神經(jīng)網(wǎng)絡(luò)的超大規(guī)模遙感星群最優(yōu)任務(wù)星預(yù)測方法，本發(fā)明提供了以下技術(shù)方案：

3、一種基于bp神經(jīng)網(wǎng)絡(luò)的超大規(guī)模遙感星群最優(yōu)任務(wù)星預(yù)測方法，包括以下步驟：

4、步驟1，建立bp神經(jīng)網(wǎng)絡(luò)；

5、步驟2，準(zhǔn)備訓(xùn)練樣本，對bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

6、步驟3，基于訓(xùn)練完成的bp神經(jīng)網(wǎng)絡(luò)，對遙感任務(wù)星進(jìn)行預(yù)測。

7、優(yōu)選地，所述步驟1具體為：

8、確定網(wǎng)絡(luò)輸入和輸出，通過對任務(wù)完成指標(biāo)：響應(yīng)時間t?cos?tj，k和觀測時長tseej，k，進(jìn)行預(yù)測以實現(xiàn)對最優(yōu)任務(wù)星的預(yù)測，任務(wù)星優(yōu)選bp網(wǎng)絡(luò)的輸出是明確的，分別為遙感任務(wù)響應(yīng)時間t?cos?tj，k和遙感衛(wèi)星持續(xù)觀測時長t?seej，k，網(wǎng)絡(luò)輸入選擇低軌遙感衛(wèi)星的觀測情況，通過初始軌道參數(shù)、觀測目標(biāo)位置和光照情況確定。

9、優(yōu)選地，確定初始軌道傾角ij，0、初始近地點幅角ωj，0、初始升交點赤經(jīng)ωj，0、初始真近點角fj，0，考慮遙感衛(wèi)星j對目標(biāo)點的觀測情況首先要計算其星下點位置，星下點位置受衛(wèi)星軌道位置決定，某一時刻t星下點經(jīng)緯度[αj，t，λj，t]通過下式計算：

10、sinαj，t＝sin(ωj，t+fj，t)sin?ij，t

11、

12、其中，αg，j，t為當(dāng)前時刻對應(yīng)的格林尼治平恒星時；

13、確定初始軌道半長軸aj，0和初始軌道偏心率ej，0，通過地心慣性坐標(biāo)系下傳感器視場邊界的視線矢量與衛(wèi)星位置矢量的夾角來描述傳感器的覆蓋范圍，地球為標(biāo)準(zhǔn)的球體，半徑記為re，設(shè)定所有遙感衛(wèi)星傳感器為圓錐形視場，半錐角為ηj設(shè)衛(wèi)星地心距為rt，通過下式計算：

14、

15、

16、其中，βj，t為傳感器視線與地球表面的交點與遙感衛(wèi)星星下點之間的大圓弧對應(yīng)的地心角，當(dāng)βj，t≤η則表示當(dāng)前時刻該遙感衛(wèi)星對目標(biāo)具有幾何可見性；

17、確定任務(wù)目標(biāo)點緯度αk、目標(biāo)點經(jīng)度λk，根據(jù)任務(wù)目標(biāo)所處經(jīng)緯度[αk，λk]、衛(wèi)星星下點位置[αj，t，λj，tl則可計算βj，t，進(jìn)而判斷該遙感衛(wèi)星是否與目標(biāo)具有幾何可見性；

18、確定任務(wù)下發(fā)時刻儒略日jdk，利用任務(wù)下發(fā)時刻作為初始時刻t＝0，使用美國噴氣動力實驗室公布的de430星歷表，計算未來一小時內(nèi)任意t時刻太陽位置；根據(jù)太陽位置、遙感衛(wèi)星位置以及目標(biāo)位置則可計算遙感載荷是否滿足光照條件。

19、優(yōu)選地，還需要確定神經(jīng)網(wǎng)絡(luò)的隱藏層結(jié)構(gòu)，采用對最優(yōu)任務(wù)星進(jìn)行預(yù)測，利用經(jīng)驗公式及最優(yōu)網(wǎng)絡(luò)選取方法確定了候選bp網(wǎng)絡(luò)的網(wǎng)絡(luò)參數(shù)范圍，并選取并行的十組最優(yōu)和次優(yōu)網(wǎng)絡(luò)對預(yù)測結(jié)果進(jìn)行擬合，保證結(jié)果預(yù)測的準(zhǔn)確性；

20、激采用的激活函數(shù)是經(jīng)典的sigmoid函數(shù)，通過下式表示：

21、

22、優(yōu)選地，所述步驟2具體為：

23、準(zhǔn)備訓(xùn)練樣本，在現(xiàn)有的低軌遙感衛(wèi)星的分布特點及基礎(chǔ)上生成一組28800顆衛(wèi)星的低軌遙感衛(wèi)星星群，以2024年1月1日為星群管控基準(zhǔn)時間，任務(wù)下發(fā)時間jdk在基準(zhǔn)時間前后一天內(nèi)隨機(jī)生成，根據(jù)生成的超大規(guī)模遙感星群分布情況確定時敏遙感任務(wù)分布的大致區(qū)域范圍，在此區(qū)域內(nèi)時敏任務(wù)目標(biāo)點[αk，λk]隨機(jī)生成，計算時敏任務(wù)在jdk時刻下發(fā)后，初始軌道參數(shù)為aj，0、ej，0、ij，0、ωj，0、ωj，0、fj，0的遙感衛(wèi)星j在未來一小時內(nèi)對目標(biāo)[αk，λk]的可見情況vj，k，如果未來一小時內(nèi)可見則vj，k＝1，否則為0；

24、針對任務(wù)響應(yīng)時間預(yù)測網(wǎng)絡(luò)與觀測持續(xù)時長預(yù)測網(wǎng)絡(luò)，訓(xùn)練樣本看作是一個包含一對網(wǎng)絡(luò)輸入和網(wǎng)絡(luò)輸出的數(shù)組，輸入即為：

25、aj，0、ej，0、ij，0、ωj，0、ωj，0、fj，0、αk、λk和jdk共9個參數(shù)，輸出為響應(yīng)時間t?cos?tj，k與觀測時長t?seej，k，考慮到時間參數(shù)預(yù)測相對復(fù)雜，選取多組對應(yīng)不同觀測任務(wù)的不同任務(wù)星，共6238組樣本進(jìn)行訓(xùn)練與分析。

26、優(yōu)選地，使用容錯計算機(jī)制來保障最優(yōu)任務(wù)星預(yù)測的正確率，進(jìn)行任務(wù)星優(yōu)選時，充分考慮每個子網(wǎng)絡(luò)的預(yù)測結(jié)果，將所有網(wǎng)絡(luò)的預(yù)測結(jié)果取平均值來減小預(yù)測誤差。

27、優(yōu)選地，所述步驟3具體為：

28、建立最優(yōu)任務(wù)星預(yù)測網(wǎng)絡(luò)，網(wǎng)絡(luò)將6238個樣本隨機(jī)分為訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)兩組，分別占樣本總數(shù)的80％和20％，在對任務(wù)星預(yù)測網(wǎng)絡(luò)的訓(xùn)練過程中可見雙隱含層比單隱含層的預(yù)測精度較高，在訓(xùn)練完所有候選雙隱含層網(wǎng)絡(luò)后，對網(wǎng)絡(luò)的性能進(jìn)行分析和比較。

29、一種基于bp神經(jīng)網(wǎng)絡(luò)的超大規(guī)模遙感星群最優(yōu)任務(wù)星預(yù)測系統(tǒng)，所述系統(tǒng)包括：

30、網(wǎng)絡(luò)建立模塊，所述網(wǎng)絡(luò)建立模塊建立bp神經(jīng)網(wǎng)絡(luò)；

31、樣本模塊，所述樣本模塊準(zhǔn)備訓(xùn)練樣本，對bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

32、預(yù)測模塊，所述預(yù)測模塊基于訓(xùn)練完成的bp神經(jīng)網(wǎng)絡(luò)，對遙感任務(wù)星進(jìn)行預(yù)測。

33、一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該程序被處理器執(zhí)行，以用于實現(xiàn)一種基于bp神經(jīng)網(wǎng)絡(luò)的超大規(guī)模遙感星群最優(yōu)任務(wù)星預(yù)測方法。

34、一種計算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計算機(jī)程序，所述處理器執(zhí)行所述計算機(jī)程序時實現(xiàn)一種基于bp神經(jīng)網(wǎng)絡(luò)的超大規(guī)模遙感星群最優(yōu)任務(wù)星預(yù)測方法。

35、本發(fā)明具有以下有益效果：

36、本發(fā)明與現(xiàn)有技術(shù)相比：

37、本發(fā)明以超大規(guī)模星群任務(wù)星快速預(yù)測為背景，提出了一種基于bp神經(jīng)網(wǎng)絡(luò)的最優(yōu)觀測星預(yù)測的新方法。首先確定了預(yù)測網(wǎng)絡(luò)的輸入輸出，確保能充分考慮影響任務(wù)執(zhí)行情況的主要因素。隨后，基于現(xiàn)有低軌遙感衛(wèi)星分布特點生成一組具有28800顆衛(wèi)星的低軌遙感衛(wèi)星星群，并生成網(wǎng)絡(luò)訓(xùn)練與測試樣本，從而完成容錯機(jī)制與一票否決機(jī)制的預(yù)測網(wǎng)絡(luò)訓(xùn)練。最后對訓(xùn)練好的預(yù)測網(wǎng)絡(luò)在最優(yōu)星預(yù)測中的性能進(jìn)行綜合分析與評價。結(jié)果表明，bp網(wǎng)絡(luò)雖無法準(zhǔn)確進(jìn)行任務(wù)星的選取，但當(dāng)用于超大規(guī)模星群最優(yōu)星預(yù)測，可以確保所預(yù)測星實際可執(zhí)行任務(wù)，在此基礎(chǔ)上對最優(yōu)星的預(yù)測結(jié)果在一定程度上可信，可以有效縮減解空間大小，降低運算量并提高時效性，以支持對超大規(guī)模遙感星群任務(wù)星預(yù)測的需求，具有廣闊的應(yīng)用前景。