留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于数据挖掘方法的空间大气模型修正

廖川 白雪 徐明

廖川, 白雪, 徐明等 . 基于数据挖掘方法的空间大气模型修正[J]. 北京航空航天大学学报, 2018, 44(12): 2628-2636. doi: 10.13700/j.bh.1001-5965.2018.0335
引用本文: 廖川, 白雪, 徐明等 . 基于数据挖掘方法的空间大气模型修正[J]. 北京航空航天大学学报, 2018, 44(12): 2628-2636. doi: 10.13700/j.bh.1001-5965.2018.0335
LIAO Chuan, BAI Xue, XU Minget al. Correction of space atmospheric model based on data mining method[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(12): 2628-2636. doi: 10.13700/j.bh.1001-5965.2018.0335(in Chinese)
Citation: LIAO Chuan, BAI Xue, XU Minget al. Correction of space atmospheric model based on data mining method[J]. Journal of Beijing University of Aeronautics and Astronautics, 2018, 44(12): 2628-2636. doi: 10.13700/j.bh.1001-5965.2018.0335(in Chinese)

基于数据挖掘方法的空间大气模型修正

doi: 10.13700/j.bh.1001-5965.2018.0335
基金项目: 

国家自然科学基金 11772024

国家自然科学基金 11432001

上海航天科技创新基金 SAST2017-033

详细信息
    作者简介:

    廖川  男, 硕士研究生。主要研究方向:航天器轨道动力学与控制、轨道大数据挖掘与反演

    徐明  男, 博士, 副教授, 博士生导师。主要研究方向:哈密顿系统及其轨道动力学应用、编队飞行、卫星工程计算任务分析及系统设计

    通讯作者:

    徐明, E-mail: xuming@buaa.edu.cn

  • 中图分类号: V423.4

Correction of space atmospheric model based on data mining method

Funds: 

National Natural Science Foundation of China 11772024

National Natural Science Foundation of China 11432001

Shanghai Space Science and Technology Innovation Foundation SAST2017-033

More Information
  • 摘要:

    针对经验的空间大气模型会在轨道预报中造成较大的误差,以某型号卫星作为基准航天器,提出2种不同精度的轨道预报模型作为仿真基础,以产生训练数据和测试数据。利用3种数据挖掘中的分类方法,如支持向量机(SVM)、神经网络(NN)、随机森林(RF)等方法,对空间大气模型在轨道预报时造成的误差进行监督学习,借此反演误差简化模型中大气模型的偏差并进行修正。分类器的训练结果表明,随机森林方法由于随机选择决策树、随机选择分类项目,按照最大概率反演的大气模型误差准确率高达99.99%,支持向量机次之,最大准确率仅为50.7%,前馈负向传播神经网络容易出现不学习的情况,应用效果最差。相比传统数理统计方法,本文方法具有快速处理大数据集、能够挖掘隐藏在轨道预报微小误差中的潜在信息等优势。

     

  • 图 1  决策树

    Figure 1.  Decision tree

    图 2  随机森林

    Figure 2.  Random forest

    图 3  神经网络感知器

    Figure 3.  Neural network perceptron

    图 4  支持向量机分类方法示意图

    Figure 4.  Schematic diagram of classification method of SVM

    图 5  混淆矩阵和随机森林分类结果

    Figure 5.  Classification results of confusion matrix and random forest

    图 6  神经网络训练过程

    Figure 6.  Training process of neural network

    图 7  神经网络分类结果

    Figure 7.  Classification results of neural network

    图 8  神经网络分类误差变化

    Figure 8.  Classification error variation of neural network

    图 9  支持向量机分类结果

    Figure 9.  Classification results of SVM

    表  1  精确模型与误差简化模型参数

    Table  1.   Parameters of accurate model and error simplified model

    参数 精确模型 误差简化模型
    地球形状 WGS84 WGS84
    阶数 50×50 5×5
    第三体引力摄动 太阳
    太阳光压 精确地影预报
    大气阻力 MSIS MSIS+(-100%~100%)误差
    下载: 导出CSV

    表  2  仿真初始状态

    Table  2.   Initial state of simulation

    参数 数值
    a/km 6 871.209 3
    e 0.002 5
    i/(°) 97.560 4
    Ω/(°) -74.218 7
    ω/(°) 95.295 7
    M/(°) 21.168 3
    rx/km -1 611.425 2
    ry/km 2 731.717 4
    rz/km 6 081.641 7
    vx/(km·s-1) -1.426 1
    vy/(km·s-1) 6.690 5
    vz/(km·s-1) -3.372 2
    下载: 导出CSV

    表  3  部分训练数据

    Table  3.   Partial training data

    εi/% Δt/d a/km e i/(°) Ω/(°) ω/(°) M/(°)
    -50 0.301 6 871.102 0.002 5 97.565 -73.712 94.707 229.007
    -40 0.600 6 871.051 0.002 5 97.563 -73.605 93.301 72.578
    -30 0.300 6 871.102 0.002 5 97.565 -73.912 94.701 227.745
    -20 0.600 6 871.048 0.002 5 97.563 -73.605 93.299 73.216
    -10 0.500 6 871.142 0.002 5 97.561 -73.707 94.098 243.763
    0 0.900 6 871.174 0.002 5 97.563 -73.301 93.709 278.117
    10 0.800 6 871.061 0.002 5 97.565 -73.403 93.410 87.899
    20 0.200 6 871.072 0.002 5 97.564 -74.014 95.067 39.982
    30 0.300 6 871.096 0.0025 97.565 -73.912 94.703 228.378
    40 0.500 6 871.135 0.002 5 97.561 -73.707 94.097 243.766
    50 0.600 6 871.036 0.002 5 97.563 -73.605 93.298 73.220
    下载: 导出CSV

    表  4  随机森林训练参数设置

    Table  4.   Training parameter setting of random forest

    分类模型 决策树数量
    随机森林 50
    下载: 导出CSV

    表  5  神经网络训练参数设置

    Table  5.   Training parameter setting of neural network

    分类模型 神经网络层数 隐藏层神经元数 训练函数 适应性学习函数 最大验证失败次数 最小性能梯度 性能
    神经网络 8 10 列文伯格算法 LEARNDM 10 1×10-9 均方差
    下载: 导出CSV

    表  6  支持向量机训练参数设置

    Table  6.   Training parameter setting of SVM

    分类模型 核函数 核尺度 特征选择
    支持向量机 高斯 1.3 主成分分析法
    下载: 导出CSV

    表  7  3种分类方法性能对比

    Table  7.   Performance comparison of three classification methods

    分类模型 训练时长/s 精确度/%
    随机森林 241.434 2 99.99
    神经网络 2 102 0.011 6
    支持向量机 29 167.627 4 50.7
    下载: 导出CSV
  • [1] 周英, 卓金武, 卞月青.大数据挖掘:系统方法与实例分析[M].北京:机械工业出版社, 2016:4-7.

    ZHOU Y, ZHUO J W, BIAN Y Q.Big data mining:System method and instance analysis[M].Beijing:China Machine Press, 2016:4-7(in Chinese).
    [2] 韩家炜, KAMBER M.数据挖掘:概念与技术[M].北京:机械工业出版社, 2012:1-9.

    HAN J W, KAMBER M.Data mining:Concepts and techniques[M].Beijing:China Machine Press, 2012:1-9(in Chinese).
    [3] CHEN M S, HAN J, YU P S.Data mining:An overview from a database perspective[J].IEEE Transactions on Knowledge and data Engineering, 1996, 8(6):866-883. doi: 10.1109/69.553155
    [4] TANNER S, STEIN C, GRAVES S J.On-board data mining[M]//GABER M M.Scientific Data Mining and Knowledge Discovery.Berlin: Springer, 2009: 345-376.
    [5] SÁNCHEZ-SÁNCHEZ C, IZZO D, HENNES D.Learning the optimal state-feedback using deep networks[C]//2016 IEEE Symposium Series on Computational Intelligence (SSCI).Piscataway, NJ: IEEE Press, 2016: 1-8. http://www.researchgate.net/publication/313802801_Learning_the_optimal_state-feedback_using_deep_networks
    [6] HENNES D, IZZO D, LANDAU D.Fast approximators for optimal low-thrust hops between main belt asteroids[C]//2016 IEEE Symposium Series on Computational Intelligence (SSCI).Piscataway, NJ: IEEE Press, 2016: 1-7. http://ieeexplore.ieee.org/abstract/document/7850107/
    [7] 李德仁, 王树良, 李德毅, 等.论空间数据挖掘和知识发现的理论与方法[J].武汉大学学报(信息科学版), 2002, 27(3):221-233. http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb200203001

    LI D R, WANG S L, LI D Y, et al.Theories and technologies of spatial data mining and knowledge discovery[J].Geometrics and Information Science of Wuhan University, 2002, 27(3):221-233(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/whchkjdxxb200203001
    [8] 宫辉力, 赵文吉, 李京.多源遥感数据挖掘系统技术框架[J].中国图象图形学报, 2005, 10(5):620-623. doi: 10.3969/j.issn.1006-8961.2005.05.014

    GONG H L, ZHAO W J, LI J.The technological framework of data mining from the polygenetic remotely sensed data[J].Journal of Image and Graphics, 2005, 10(5):620-623(in Chinese). doi: 10.3969/j.issn.1006-8961.2005.05.014
    [9] PENG H, BAI X.Recovering area-to-mass ratio of resident space objects through data mining[J].Acta Astronautica, 2018, 142:75-86.. doi: 10.1016/j.actaastro.2017.09.030
    [10] 胡小平, 张丽娟, 王艳梅, 等.液体火箭发动机故障检测和诊断中数据挖掘策略的分析[J].国防科技大学学报, 2005, 27(3):1-5. doi: 10.3969/j.issn.1001-2486.2005.03.001

    HU X P, ZHANG L J, WANG Y M, et al.The analysis of data mining strategy in fault detection and diagnosis of the liquid rocket engine[J].Journal of National University of Defense Technology, 2005, 27(3):1-5(in Chinese). doi: 10.3969/j.issn.1001-2486.2005.03.001
    [11] 徐宇航, 皮德常.卫星异常模式挖掘方法[J].小型微型计算机系统, 2015, 36(9):1988-1992. doi: 10.3969/j.issn.1000-1220.2015.09.014

    XU Y H, PI D C.Method to mine satellite abnormal patterns[J].Journal of Chinese Computer Systems, 2015, 36(9):1988-1992(in Chinese). doi: 10.3969/j.issn.1000-1220.2015.09.014
    [12] 肇刚, 李言俊.基于时间序列数据挖掘的航天器故障诊断方法[J].飞行器测控学报, 2010, 29(3):1-5. http://d.old.wanfangdata.com.cn/Periodical/fxqckxb201003001

    ZHAO G, LI Y J.Spacecraft fault diagnosis method based on time series data mining[J].Journal of Spacecraft TT & C Technology, 2010, 29(3):1-5(in Chinese). http://d.old.wanfangdata.com.cn/Periodical/fxqckxb201003001
    [13] MONTENBRUCK O, GILL E.Satellite orbits:Models, methods and applications[M]Berlin:Springer Science & Business Media, 2012.
    [14] JIA X H, XU M, PAN X, et al.Eclipse prediction spaceborne algorithms for low-earth-orbiting satellites[J].IEEE Transactions on Aerospace and Electronic Systems, 2017, 53(6):2963-2975. doi: 10.1109/TAES.2017.2722518
    [15] HDEIN A E.MSIS-86 thermospheric model[J].Journal of Geophysical Research:Space Physics, 1987, 92(A5):4649-4662. doi: 10.1029/JA092iA05p04649
  • 加载中
图(9) / 表(7)
计量
  • 文章访问数:  733
  • HTML全文浏览量:  151
  • PDF下载量:  394
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-06-07
  • 录用日期:  2018-07-27
  • 网络出版日期:  2018-12-20

目录

    /

    返回文章
    返回
    常见问答