技术特征：
1.一种基于深度神经网络与打靶算法的j2摄动lambert问题求解方法，其特征在于，步骤如下：1)根据始末端位置矢量和飞行时间，利用普适变量法求解二体lambert问题，得到始端速度初值，并基于得到的始端速度初值进行轨道递推，获取j2摄动干扰下的末端位置误差；2)根据步骤1)得到的末端位置误差及初始条件中的始末端位置及飞行时间，利用训练得到的深度神经网络预估始端速度初值的误差，并以此为校正量修正步骤1)得到的始端速度初值，得到修正后的始端速度初始猜测值；3)利用基于差分近似的牛顿迭代打靶算法对始端速度初始猜测值进行打靶修正，直至末端位置精度满足要求。2.根据权利要求1所述的基于深度神经网络与打靶算法的j2摄动lambert问题求解方法，其特征在于，所述步骤1)具体包括：根据航天器的始末端位置矢量(r0,r
f
)和飞行时间tof，利用普适变量法求解二体lambert问题，得到始端速度初值v0；v0＝l(r0,r
f
,tof)式中，l表示lambert求解过程。3.根据权利要求1所述的基于深度神经网络与打靶算法的j2摄动lambert问题求解方法，其特征在于，所述步骤1)具体还包括：根据得到的始端速度初值v0和已知的始端位置r0进行轨道递推，递推时间等于飞行时间，递推动力学模型采用j2摄动动力学模型，得到航天器实际到达的末端位置和速度矢量(r
a
,v
a
)，结合已知理想末端位置r
f
得到末端位置误差δr
f
＝r
f
‑
r
a
。4.根据权利要求1所述的基于深度神经网络与打靶算法的j2摄动lambert问题求解方法，其特征在于，所述步骤2)中的深度神经网络的训练样本以始端位置矢量r0和基于二体lambert问题求解得到的始端速度初值v0、飞行时间tof及简单二体动力学下开普勒解的末端位置误差矢量δr
f
为输入，简单二体动力学下开普勒解的始端速度误差矢量δv0为输出，且所有位置和速度矢量均采用球坐标描述；始端速度初始猜测值为v
d
＝v0+δv0。5.根据权利要求4所述的基于深度神经网络与打靶算法的j2摄动lambert问题求解方法，其特征在于，所述步骤2)中深度神经网络的训练样本获取步骤具体如下：21)随机生成初始轨道状态和飞行时间[r0；v
s0
；tof]；22)将初始状态[r0；v
s0
]在j2摄动动力学模型下递推，得到末端状态[r
f
；v
f
]；23)基于始末端状态和飞行时间参数，通过求解二体lambert问题，计算始端速度初值v0；24)以始端位置和始端速度初值为初始状态[r0；v0]，在j2摄动动力学模型下递推，得到实际末端位置r
a
；25)计算始端速度初值v0和末端位置r
a
的误差，δv0＝v
s0
‑
v0，δr
f
＝r
f
‑
r
a
；26)以始端位置矢量r0和始端速度初值v0、飞行时间tof及末端位置误差矢量δr
f
为输入，始端速度初值的误差矢量δv0为输出，形成训练样本，且所有矢量均在球坐标系下描述。6.根据权利要求5所述的基于深度神经网络与打靶算法的j2摄动lambert问题求解方法，其特征在于，所述步骤2)中训练样本s的具体形式如下：s＝{[r
00
,α
r0
,β
r0
,v
00
,α
v0
,β
v0
,δr
ff
,δα
f
,δβ
f
,tof]，[δv
00
,δα0,δβ0]}
其中，α和β分别表示矢量的方位角和极角，下标0和f分别为始末端标志，δv
00
＝||δv0||表示初始速度校正量的模长，r
00
＝||r0||表示始端位置的模长，δr
ff
＝||δr
f
||是末端位置误差的模长，则：7.根据权利要求1所述的基于深度神经网络与打靶算法的j2摄动lambert问题求解方法，其特征在于，所述步骤3)具体包括：使用差分近似方法计算雅克比矩阵，给始端速度矢量各分量分别施加一个小扰动δv＝10
‑6km/s；积分至末端状态并记录末端位置的偏差δr；得到的雅克比矩阵为：则，始端速度修正量为：δv
i
＝j
‑1δr
fi
式中，δr
fi
表示第i次迭代时的末端位置误差。