基于深度-迁移学习的深远空间在轨数据生成方法及系统与流程

本发明涉及空间探测数据处理领域，具体涉及基于深度-迁移学习的深远空间在轨数据生成方法及系统。

背景技术：

1、目前在已有的探测任务中，获取了丰富的基于地面观测的数据、其他探测任务(月球、火星、小行星)数据，例如公布号为cn105890577a的现有发明专利申请文献《一种适用于深空探测器在轨多个天体合影成像方法》，该现有方法基于相机的性能参数建立视场模型，在此基础上耦合天体和探测器轨道动力学模型、探测器姿态数据以及光照条件进行综合分析，确定拍摄相机、成像时刻与成像姿态，并进行目标天体在相机视场内的成像效果仿真，得到直观的成像效果仿真图。以及公布号为cn102879014a的现有发明专利申请文献《深空探测接近过程的光学成像自主导航半物理仿真试验系统》，该现有系统将导航敏感器安装在转台上与天体模拟器对接，星敏感器与动态恒星模拟器对接，姿态轨道仿真器生成深空探测器基准姿态和轨道数据并发送到控制计算机和导航计算机，控制计算机驱动天体模拟器、动态恒星模拟器及转台运动，天体模拟器模拟深空探测器和目标天体的位置变化，动态恒星模拟器模拟深空探测器惯性姿态变化，转台模拟深空探测器姿态扰动，导航计算机采集导航敏感器和星敏感器测量数据，进行导航滤波计算。而深远空间探测的在轨数据目前局限于国外公开的探测器实测数据(如juno号的在轨数据)、通过对深远空间进行环境仿真获取的少量在轨数据，且无法直接通过与深远空间进行交互获得训练数据，存在数据量相对不足的问题。

2、综上，现有技术存在因缺乏在轨数据来源，制约深空环境仿真效果的技术问题。

技术实现思路

1、本发明所要解决的技术问题在于：如何解决现有技术中因缺乏在轨数据来源、存在负迁移的情况，制约深空环境仿真效果的技术问题。

2、本发明是采用以下技术方案解决上述技术问题的：基于深度-迁移学习的深远空间在轨数据生成方法包括：

3、s1、确定深远空间在轨数据的迁移对象，进行数据间的可迁移性分析，其中，对计划生成的在轨数据系统，与已有真实在轨数据系统及在轨任务进行异同分析，得到异同分析数据，据以对在轨数据之间，利用最大均值差异算法mmd，进行可迁移度计算，度量源域数据与目标域数据之间的分布距离，据以获取可迁移度数据；

4、s2、基于深度学习生成对抗网络gan，训练预置数据集，以得到预训练深度学习生成对抗网络gan，并验证预训练深度学习生成对抗网络gan生成的在轨数据，据以形成预置天体在轨数据集的数据衍生策略，以得到预训练深度学习生成对抗网络gan；

5、s3、根据可迁移度数据，对预训练深度学习生成对抗网络gan模型进行迁移，据以调整预置天体的在轨数据生成模型，得到深远空间在轨数据生成模型；

6、s4、获取并根据预置要求数据，对深远空间在轨数据仿真模型的生成数据，进行再验证操作，据以获取深远空间在轨数据生成系统。

7、本发明通过确定深远空间在轨数据的迁移对象，进行数据间的可迁移性分析，分析在轨数据之间的公共知识是否对模型的训练和学习有帮助，进一步对源域和目标域的数据分布进行检验，从而彻底避免负迁移问题。本发明适用于木星及以远的空间探测在轨数据不足的场景中，使得数据生成的训练更灵活高效，从而为仿真验证提供参考环境。

8、本发明针对木星及以远的空间探测在轨数据不足问题，设计深度-迁移模型将其他探测任务采集到的在轨数据进行应用、迁移，使得深远空间在轨数据生成的训练更灵活高效，从而为仿真验证提供参考环境。

9、在更具体的技术方案中，步骤s1包括：

10、s11、通过函数φ(·)将度量源域数据、目标域数据映射到再生希尔伯特空间h中，计算源域数据、目标域数据的数据分布上，每一个点映射到另一空间的距离，据以进行求和，以得到分布距离；

11、s12、根据分布距离，利用径向基核函数，处理得到mmd求解公式关系，据以得到可迁移度数据。

12、在更具体的技术方案中，步骤s11中，根据最大均值差异算法mmd，利用下述逻辑，求取度量源域数据与目标域数据之间的分布距离：

13、

14、其中，x为源域数据，y为目标域数据，源域有n个样本，目标域有m个样本；xi是源域中第i个样本数据，yj是目标域中第j个样本数据；通过映射函数φ(x)将原始数据映射到再生希尔伯特空间h中。

15、本发明进行在轨数据间的可迁移度计算，具体通过最大均值差异算法(maximummean discrepancy，mmd)度量源域数据和目标域数据之间的分布距离，以判断两者数据分布是否相同，进一步验证系统间的可迁移性，防止负迁移情形的发生。

16、在更具体的技术方案中，步骤s12中，利用下述逻辑，表达mmd求解公式关系：

17、

18、其中，源域有n个样本，目标域有m个样本。xi是源域中第i个样本数据，yj是目标域中第j个样本数据；通过映射函数φ(·)将原始数据映射到再生希尔伯特空间h中；x'i即为xi，y'j即为yj，在逐个求和公式中以示区分；k(·,·)是核函数，将φ(xi)φ(x'i)简单表示为k(xi,x'i)；为了方便计算，常将其简化为矩阵形式。tr(·)为求解矩阵的迹，其中：

19、

20、

21、

22、

23、本发明采用的最大均值差异算法可以看作是再生核希尔伯特空间中，计算源域数据集与目标域数据集之间的总体距离之差，从而判断它们的数据分布是否相同。本发明计算出的mmd值越小，在源域数据集、目标数据集的特征和数据分布的相似性较高时，进行迁移学习，以获取更好的迁移效果。

24、在更具体的技术方案中，步骤s1还包括：

25、s11’、设置对照组，其中，对照组包括：随机噪声数据集、在轨数据集；

26、s12’、利用目标域数据集，分布与随机噪声数据集、在轨数据集进行对照验证，以得到验证结果；

27、s13’、在验证结果符合预置理论情况数据时，将其余探测任务在轨数据作为迁移学习对象。

28、本发明在对照组的验证结果符合理论的情形下，可将其他探测任务在轨数据作为迁移学习对象，辅助木星及以远在轨数据开展数据生成工作，并且不会产生负迁移的问题。

29、在更具体的技术方案中，步骤s2包括：

30、s21、确定深度学习生成对抗网络gan中的生成器、判别器的网络层数，利用预置优化算法进行求解，随机初始化深度学习生成对抗网络gan的网络参数；

31、s22、训练深度学习生成对抗网络gan，将源域数据集中的在轨数据作为输入，对深度学习生成对抗网络gangan进行模型训练操作，以得到预训练深度学习生成对抗网络gan；

32、s23、对在轨数据进行特征选择，以获取散点图xyz轴，混合处理预置真实数据、深度学习生成对抗网络gan生成的在轨数据，绘制样本集三维可视化图，以获取所生成数据与原有数据重叠性，据以验证深度学习生成对抗网络gan生成的故障数据是否与预置真实数据的分布一致。

33、在本发明的模型训练过程中，利用生成器提供高仿真数据、使判别器难以分辨数据的真假，同时利用判别器不断提升判别能力、尽量识别出高仿真数据。在前述博弈、对抗过程中，不断更新双方网络模型，使得生成器的仿真数据尽可能地贴近真实在轨数据分布。

34、在更具体的技术方案中，步骤s22还包括：

35、s221、固定生成器g训练判别器d，固定判别器d训练生成器g，据以获取判别器损失，其中，利用下述逻辑，表达深度学习生成对抗网络gan的目标函数：

36、

37、式中，pd为真实样本的数据分布，pz为随机噪声的分布，e为数据期，目标函数式左侧的maxd表示判别器网络的学习目标，目标函数式左侧的ming表示生成器网络的学习目标，d(x)是判别器将真实数据判别为真实的概率，d(g(z))是将生成数据判别为真实的概率；

38、在对深度学习生成对抗网络gan的训练过程中，使用小批量随机梯度下降法，以下述逻辑更新生成器、判别器：

39、

40、其中，从原始噪声分布pz中小批量采样m个噪声数据样本{z(1),...,z(m)}，生成数据样本中小批量采样m个数据样本{x(1),...,x(m)}，分别为判别器、生成器网络参数的更新梯度。

41、s222、根据判别器损失，判定生成器与判别器达到纳什平衡时，获取预训练深度学习生成对抗网络gan。

42、在更具体的技术方案中，步骤s3包括：

43、s31、将预训练深度学习生成对抗网络gan的网络结构、网络参数迁移至目标域，以作为深远空间轨数据生成初始模型；

44、s32、对深远空间轨数据生成初始模型，进行再训练操作，得到深远空间在轨数据生成模型。

45、在更具体的技术方案中，步骤s32还包括：

46、s321、获取并利用探测器实测数据；

47、s322、对深远空间进行环境仿真，以获取仿真在轨数据；

48、s323、根据探测器实测数据、仿真在轨数据，对深远空间轨数据生成初始模型进行参数调优，据以获取深远空间在轨数据仿真模型。

49、在更具体的技术方案中，基于深度-迁移学习的深远空间在轨数据生成方法包括：

50、可迁移度分析模块，用以确定深远空间在轨数据的迁移对象，进行数据间的可迁移性分析，其中，对计划生成的在轨数据系统，与已有真实在轨数据系统及在轨任务进行异同分析，得到异同分析数据，据以对在轨数据之间，利用最大均值差异算法mmd，进行可迁移度计算，度量源域数据与目标域数据之间的分布距离，据以获取可迁移度数据；

51、对抗网络预训练模块，用以基于深度学习生成对抗网络gan，训练预置数据集，以得到预训练深度学习生成对抗网络gan，并验证预训练深度学习生成对抗网络gan生成的在轨数据，据以形成预置天体在轨数据集的数据衍生策略，以得到预训练深度学习生成对抗网络gan；

52、预训练模型迁移模块，用以根据可迁移度数据，对预训练深度学习生成对抗网络gan模型进行迁移，据以调整预置天体的在轨数据生成模型，得到深远空间在轨数据生成模型，预训练模型迁移模块与对抗网络预训练模块及可迁移度分析模块连接；

53、在轨数据生成系统获取模块，用以获取并根据预置要求数据，对深远空间在轨数据仿真模型的生成数据，进行再验证操作，据以获取深远空间在轨数据生成系统，在轨数据生成系统获取模块与预训练模型迁移模块连接。

54、本发明相比现有技术具有以下优点：

55、本发明通过确定深远空间在轨数据的迁移对象，进行数据间的可迁移性分析，分析在轨数据之间的公共知识是否对模型的训练和学习有帮助，进一步对源域和目标域的数据分布进行检验，从而彻底避免负迁移问题。本发明适用于木星及以远的空间探测在轨数据不足的场景中，使得数据生成的训练更灵活高效，从而为仿真验证提供参考环境。

56、本发明针对木星及以远的空间探测在轨数据不足问题，设计深度-迁移模型将其他探测任务采集到的在轨数据进行应用、迁移，使得深远空间在轨数据生成的训练更灵活高效，从而为仿真验证提供参考环境。

57、本发明进行在轨数据间的可迁移度计算，具体通过最大均值差异算法(maximummean discrepancy，mmd)度量源域数据和目标域数据之间的分布距离，以判断两者数据分布是否相同，进一步验证系统间的可迁移性，防止负迁移情形的发生。

58、本发明采用的最大均值差异算法可以看作是再生核希尔伯特空间中，计算源域数据集与目标域数据集之间的总体距离之差，从而判断它们的数据分布是否相同。本发明计算出的mmd值越小，在源域数据集、目标数据集的特征和数据分布的相似性较高时，进行迁移学习，以获取更好的迁移效果。

59、本发明在对照组的验证结果符合理论的情形下，可将其他探测任务在轨数据作为迁移学习对象，辅助木星及以远在轨数据开展数据生成工作，并且不会产生负迁移的问题。

60、在本发明的模型训练过程中，利用生成器提供高仿真数据、使判别器难以分辨数据的真假，同时利用判别器不断提升判别能力、尽量识别出高仿真数据。在前述博弈、对抗过程中，不断更新双方网络模型，使得生成器的仿真数据尽可能地贴近真实在轨数据分布。

61、本发明解决了现有技术中存在的因缺乏在轨数据来源、存在负迁移的情况，制约深空环境仿真效果的技术问题。