基于深度神經網絡補償模型的軌道預報技術.pdf

1、衛(wèi)星軌道預報是衛(wèi)星應用研究的基礎。建立高精度的衛(wèi)星軌道預報模型對于提高衛(wèi)星導航定位精度、增強衛(wèi)星星座自主導航能力以及空間交會對接等航天任務的完成都有重要的意義。本文研究了提高衛(wèi)星軌道預報精度的方法,主要研究內容和創(chuàng)新點如下:
　　1、建立了精度為米級的導航衛(wèi)星動力學模型,分析了攝動力對導航衛(wèi)星軌道預報的影響。建立了適合GPS導航衛(wèi)星的動力學模型預報方案,進行了短期和長期預報仿真,對仿真結果進行了分析。
　　2、研究了深度神經

2、網絡的拓撲結構及其訓練算法,給出了訓練算法原理圖。受限玻爾茲曼機是深度神經網絡的基石,訓練的關鍵步驟是對模型的采樣。分析了三種基于馬爾可夫鏈蒙特卡洛采樣算法和受限玻爾茲曼機的結構特性,將最適用于受限玻爾茲曼機結構特性的blocked Gibbs采樣算法用在仿真中。
　　3、基于動力學模型預報誤差的特性,建立了基于深度神經網絡的補償混合模型。以 GPS導航衛(wèi)星為對象,分別采用BP網絡和深度神經網絡對預報誤差進行建模并進行了預報對比仿