(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111312431.8 (22)申请日 2021.11.08 (65)同一申请的已公布的文献号 申请公布号 CN 113761809 A (43)申请公布日 2021.12.07 (73)专利权人 南京航空航天大 学 地址 210016 江苏省南京市秦淮区御道街 29号 (72)发明人 龚柏春　马钰权　李爽　廖文和　 (74)专利代理 机构 江苏圣典律师事务所 32 237 代理人 徐晓鹭 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01C 21/20(2006.01) G01C 21/24(2006.01) G06F 119/14(2020.01)(56)对比文件 CN 103886368 A,2014.0 6.25 CN 107883967 A,2018.04.0 6 CN 103438888 A,2013.12.1 1 CN 110321598 A,2019.10.1 1 CN 112797988 A,2021.0 5.14 刘宇 等.深度神经网络在无源定位中的应 用研究. 《雷达科 学与技术》 .2018,(第4期),第 423-428页. 龚柏春 等.空间非合作目标近程交会仅测 角相对导 航方法. 《中国惯性 技术学报》 .2018,第 173-179页. 机器之心Pro.听说你了解深度学习最常用 的学习算法： Adam优化 算法？ . 《ht tps:// baijiahao.baidu.com/s? id= 1572697980489 279&wfr=spider&for=pc》 .2017, 第1-11页. 审查员 于俊 (54)发明名称 一种基于深度神经网络的无源探测定轨方 法 (57)摘要 本发明公开了一种基于深度神经网络的无 源探测定轨方法， 包括以下步骤： 步骤1， 定义航 天器训练数据发生器， 并通过该数据发生器得到 深度神经网络的训练数据； 步骤2， 预处理步骤1 产生的训练数据， 得到标准化后的数据； 步骤3， 定义深度神经网络， 确定合适的参数， 通过标准 化后的数据离线训练该深度神经网络， 得到仅测 角相对定轨的非线性相对运动模型； 步骤4， 将所 述非线性相对运动模型部署在感知卫星上， 将相 对测量角输入模 型中， 实现对目标卫星相对轨道 的在线确定。 本发明通过对模型输入三组相对视 线测量角进行一一映射的方式设置， 从而实现对 在轨道上非合作目标的无源探测相对轨道确定 。 权利要求书2页 说明书8页 附图3页 CN 113761809 B 2022.04.08 CN 113761809 B 1.一种基于深度神经网络的无源探测定 轨方法， 其特 征在于， 包括以下步骤： 步骤1， 定义航天器训练数据发生器， 并通过该数据发生器得到深度神经网络的训练数 据， 具体为： 步骤1.1， 将光学相机安装在感知卫星 的质心处， 建立光学相机相对视线测量模型， 并 由此得到相对测量角； 步骤1.2， 建立仅考虑地球非球形J2项摄动的卫星绝对运动 动力学模型； 步骤1.3， 通过龙格库塔积分求解该绝对运动动力学模型， 以得到感知卫星与目标卫星 的绝对状态， 并转换坐标以得到最终目标卫星的相对运动状态； 步骤2， 预处 理步骤1产生的训练数据， 得到标准 化后的数据； 步骤3， 定义深度神经网络， 确定合适的参数， 通过标准化后的数据离线训练该深度神 经网络， 具体为： 将通过步骤  1.1 和步骤 1.2 分别得到的感知卫星的相对视线测量模型 以及绝对运动动力学模型作为深度神经网络的输入量； 将通过步骤  1.3 得到的目标卫星 的相对运动状态作为深度神经网络的输出量， 得到仅测角相对定轨的非线性相对运动模 型； 步骤4， 将所述非线性相对运动模型部署在感知卫星上， 将光学相机测量的相对测量角 输入该模型中， 实现对目标卫星相对轨道的在线确定 。 2.根据权利要求1所述的基于深度神经网络的无源探测定轨方法， 其特征在于， 步骤 1.2中的卫星绝对运动动力学模型包括动力学模型： ， 以及运动学模 型：  ， 其中， 、 为卫星惯性加速度、 r为卫星在惯性 系下的位置， 为卫星惯性速度， 、 、 分别表示卫星在惯性系下 x、 y、 z方向的速度， x、 y、 z为分别表示卫星在惯性系下 x、 y、 z方向的位置， ‖ r‖为航天器的地心距， aJ2表示J2项摄 动引起的加速度, μ为椭圆引力常数， Re表示地球半径。 3.根据权利要求2所述的基于深度神经网络的无源探测定轨方法， 其特征在于， 步骤2 中的训练数据预处理方法为将原数据先进行归一化处理， 再进行标准化处理； 训练数据包 括步骤1.1和步骤1.2分别 得到的相对测量角和绝对状态， 以及步骤1.3得到的目标卫星的 相对运动状态。权　利　要　求　书 1/2 页 2 CN 113761809 B 24.根据权利要求3所述的基于深度神经网络的无源探测定轨方法， 其特征在于， 归一化 处理为： ， 其中x’为归一化后的数据， x为原数据， xmin、xmax分 别为原数据中的最小、 最大值； 标准化处理为： ， 其中为x’ ’ 为标准化后的数 据， μ和σ 分别为归一 化后数据的均值与标准差 。 5.根据权利要求4所述的基于深度神经网络的无源探测定轨方法， 其特征在于， 所述深 度神经网络的 隐藏层层数为3， 隐藏层激活函数为ReLU， 输出层激活函数为p urelin， 梯度下 降优化算法采用Adam算法， 损失函数采用MSE 。 6.根据权利要求5所述的基于深度神经网络的无源探测定轨方法， 其特征在于， 梯度 下 降优化算法具体为： ， 其中，ωt为更新梯度权重， 下标t 为次数， t为mt的修正值， t为vt的修正值， mt、 vt分别为梯度的指数移动均值以及平方梯度， α 为学习率， 用于控制梯度更新的步长。 7.根据权利要求6所述的基于深度神经网络的无源探测定轨方法， 其特征在于， 针对梯 度权重mt、vt及其修正值 t、 t的计算， 在未修正时乘以一个量并加上一个常值量， 修正时再 除以这个量， 具体为： ， 其中β1和β2是常数， 用于控制指数衰减， mt是梯度的指数移动均值， vt是平方梯度， gt是一阶导数。 8.根据权利要求7所述的基于深度神经网络的无源探测定轨方法， 其特征在于， 将网络 输出值与期望值的均方误差作为训练过程中的损失函数， 具体如下： ， 其中，m为输出维度，  y和 分别表示网络的期望输出与实际输出， 下标 i表示第i个输出量， ω表示权重，n为权重的个数， λ为正则化参数。权　利　要　求　书 2/2 页 3 CN 113761809 B 3