一种基于人工智能的空间碎片光谱特征分类方法
【专利摘要】一种基于人工智能的空间碎片光谱特征分类方法，包括如下步骤：步骤1，碎片光谱数据采集；步骤2，光谱数据归一化预处理；步骤3，深度网络模型训练，采用随机梯度下降算法，对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。本发明有效适用于深空环境、准确性更高。
【专利说明】
-种基于人工智能的空间碎片光谱特征分类方法
技术领域
[0001] 本发明设及载人航天实施空间监测技术领域，尤其是一种空间碎片类型分析方 法。
【背景技术】
[0002] 自1957年10月前苏联发射首颗人造地球卫星W来，人类几十年的空间探索活动产 生了大量的空间碎片，对人类航天活动的安全造成严重威胁，成为空间环境的主要污染源， 并在一定程度上对航天活动的正常开展产生了影响。
[0003] 随着中国的经济发展W及国家安全的需要，航天空间活动将愈来愈多，并在不久 的将来，对应用卫星的需求更可能大增。运些应用卫星与国民经济关系密切，一旦受损，社 会影响、经济影响巨大，甚至危及国家安全;而运些卫星运行区域大都分布在低轨道，处于 空间碎片密集区域，受碰撞损伤的威胁很高。同时，持续开展载人航天活动、建立永久的有 人值守轨道空间站，将会是中国航天事业发展的必然趋势。所W可W预期，对载人航天实施 空间监测、预警也会成为中国航天不可回避的事实，在运样的背景下，对空间碎片的观测技 术进行研究，具有重要的现实意义和研究价值。
[0004] 传统空间碎片测量W位置信息测量为主，包括碎片的Ξ维位置坐标、速度、加速度 等参数，可衍生出各类地球轨道参数。为了提高碎片的监测预警能力，对测量系统除了要求 获得其位置信息之外，更需要获得碎片的特征信息，如碎片的形状、体积、表面材料参数等 特征信息，它对空间监测、预警尤为重要。
[0005] 人造天体碎片的大小、形状、材料类别的确定，对于空间环境监测和预警至关重 要。光谱测量技术是天体碎片分析的一种重要方法，人造天体碎片一般本身并不发光，其亮 度来自太阳光的反射，仅由亮度变化不足W分辨碎片的材料组成，分析其光谱特征成为我 们辨认碎片类别的主要手段。
[0006] 在地基(地面观测站)条件下，光谱仪所获取光谱由碎片材料成分、太阳光谱、地球 大气吸收谱，W及测量过程中产生的噪声等因素综合决定，因而由光谱推断碎片种类并没 有一个解析解。本发明采用深度网络学习算法，对碎片类型作分类。
[0007] 空间碎片的测量有雷达测量和光学测量，雷达测量可W克服天气、太阳和及地影 的影响，能全天候全天时工作，但由于雷达测量时，其反射回波信号的强度与距离的四次方 成反比，因而雷达测量比较适合于低地球轨道的小碎片；另外雷达测量需要发射信号，属于 主动探测形式，运在某些情形下可能不合适。
[0008] 而对于无源光学测量，信号反射强度与物体的距离的平方成反比，因而能探测高 轨道碎片，另外它仅接收碎片对太阳光的反射，属于被动探测形式，可较好的适合于某些特 殊场合。
【发明内容】
[0009] 为了克服已有空间碎片分类方法无法适用于深空环境、准确性较差的不足，本发 明提供一种有效适用于深空环境、准确性更高的基于人工智能的空间碎片光谱特征分类方 法。
[0010] 本发明解决其技术问题所采用的技术方案是：
[0011] -种基于人工智能的空间碎片光谱特征分类方法，所述分类方法包括如下步骤：
[0012] 步骤1，碎片光谱数据采集；
[0013] 利用光谱仪，采集碎片光谱数据；
[0014] 步骤2,光谱数据归一化预处理；
[0015] 步骤3,深度网络模型训练；
[0016] 3.1)权值初始化:取区间为均匀随机值：
[0017]
[0018] 其中化run表示网络每层输入节点数，fanout表示网络每层输出节点数；
[0019] 3.2)神经元的激励函数选择为sigmoid函数，对变量a,函数形式为：
[0020] sigmoid(a) = 1/( 1+e-a)
[0021] 3.3)设定学习率；
[0022] 3.4)选定批训练大小；
[0023] 3.5)调试每层节点数；
[0024] 3.6)采用堆找去噪自编码做逐层预训练，设定训练回合数；
[0025] 3.7)学习算法采用随机梯度下降算法；
[0026] 3.8)对各层预训练后的深度网络展开为深度前馈网络，并W所训练的网络参数作 为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率 方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；
[0027] 步骤4,碎片类型分类；
[0028] 对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模 型输出每条光谱的类别，W同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。
[0029] 进一步，所述步骤2中，光谱数据归一化预处理过程如下：
[0030] 2.1)记光谱矢量为xERd，圭
，则剔除该条光谱矢量，即当获取的光谱 较暗时，去除该条光谱；
[0031] 2.2)同一观测圈次中11条光谱，记为刊￡1?4^' = 1，...，11，计算平均矢量
， 并计算各条光谱矢量到光谱平均矢量的欧式距离化=l|x广μ|| J = i，...，n，其中II · II表 示矢量的欧氏范数，记化，j = l，...，n的中值为D，标准差为Δ，采用如下判别离群点：
[0032]
[0033] 本发明的有益效果主要表现在:有效适用于深空环境、准确性更高。
【附图说明】
[0034] 图1是基于人工智能的空间碎片光谱特征分类方法的流程图。
[0035] 图2是可见光谱材料谱的示意图。
[0036] 图3是可见光谱混合谱的示意图。
【具体实施方式】
[0037] 下面结合附图对本发明作进一步描述。
[0038] 参照图1~图3,一种基于人工智能的空间碎片光谱特征分类方法，包括如下步骤：
[0039] 步骤1，碎片光谱数据采集；
[0040] 利用光谱仪，采集碎片光谱数据；
[0041] 步骤2，光谱数据归一化预处理；
[0042] 由于噪声等因素影响，所获取光谱数据中存在某些离群点，为此采用如下方法剔 除离群点：
[0043] 2.1)记光谱矢量为xERd，老
则剔除该条光谱矢量，即当获取的光谱 较暗时，去除该条光谱；
[0044] 2.2)同一观测圈次中11条光谱，记为刊￡1^^' = 1，...，11，计算平均矢量
并计算各条光谱矢量到光谱平均矢量的欧式距离化=l|x广μ|| J = i，...，n，其中II · II表 示矢量的欧氏范数，记化，j = l，...，n的中值为D，标准差为Δ，采用如下判别离群点：
[0045]
[0046] 步骤3,深度网络模型训练；
[0047] 3.1)权值初始化:取区间为均匀随机值：
[004引
[0049] 其中化run表示网络每层输入节点数，fanout表示网络每层输出节点数；
[0050] 3.2)神经元的激励函数选择为sigmoid函数：
[0051] sigmoid(a) = 1/( l+e-a)
[0化2] 3.3)学习率:选择为0.1;
[0053] 3.4)批训练大小(minibatch):选择为64或10;
[0054] 3.5)每层节点数，由实验调试，最后选择为3隐层，各隐层节点数分别为300、100、 100；
[0055] 3.6)采用堆找去噪自编码做逐层预训练，训练回合数(邱och)，取100;
[0056] 3.7)学习算法采用随机梯度下降算法；
[0057] 3.8)对各层预训练后的深度网络展开为深度前馈网络，并W所训练的网络参数作 为该深度网络参数的初始值，用经典的反向传播算法(BP)对网络作精细化调整，采用变学 习率方法，分别取学习率为〇.1、〇.〇1、〇.001，训练回合数各取150,完成深度网络训练，得到 最终深度学习网络模型；
[005引步骤4,碎片类型分类；
[0059] 对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模 型输出每条光谱的类别，W同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。
[0060] 仿真模拟例子:一种基于人工智能的空间碎片光谱特征分类方法，包括如下步骤：
[0061] 步骤1.数据采集
[0062] 将5种材料谱随机取巧巾，共得到10种不同组合，并作为不同类别标志（10类），随机 选择混合比例系数(和为1)，加上1%能量的高斯噪声，每种类别混合数为7,000,共得到70， 000条混合光谱，并将之分为不相交的训练集(50，000)、有效集(10，000)、测试集(10，000)。
[0063] 步骤2.深度网络训练，参照表1和表2.
[0067] 表 2
[0068] 步骤3.类别测试：W所获得的训练后的深度学习模型，对测试集样本类别加 W测 试，得到类别准确率90 %。
【主权项】
1. 一种基于人工智能的空间碎片光谱特征分类方法，其特征在于:所述分类方法包括 如下步骤： 步骤1，碎片光谱数据采集； 利用光谱仪，采集碎片光谱数据； 步骤2，光谱数据归一化预处理； 步骤3,深度网络模型训练； 3.1) 权值初始化:取区间为均匀随机值：其中famn表示网络每层输入节点数，farw表示网络每层输出节点数； 3.2) 神经元的激励函数选择为sigmoid函数，对变量a，函数形式为： sigmoid (a) = 1/( l+e-a) 3.3) 设定学习率； 3.4) 选定批训练大小； 3.5) 调试每层节点数； 3.6) 采用堆栈去噪自编码做逐层预训练，设定训练回合数； 3.7) 学习算法采用随机梯度下降算法； 3.8) 对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该 深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法， 设定训练回合数，完成深度网络训练，得到最终深度学习网络模型； 步骤4,碎片类型分类； 对所观测的碎片光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输 出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该碎片的类型。2. 如权利要求1所述的一种基于人工智能的空间碎片光谱特征分类方法，其特征在于： 所述步骤2中，光谱数据归一化预处理过程如下： 2.1) 记光谱矢量为xeRd，，则剔除该条光谱矢量，即当获取的光谱较暗 时，去除该条光谱； 2.2) 同一观测圈次中11条光谱，记为幻61^，」=1，...，11，计算平均矢算各条光谱矢量到光谱平均矢量的欧式距离仏=||幻4||，」=1，...，1!，其中||叫|表示矢 量的欧氏范数，记仏，j = l，. . .，n的中值为D，标准差为Δ，采用如下判别离群点：
【文档编号】G06K9/62GK105825231SQ201610147324
【公开日】2016年8月3日
【申请日】2016年3月15日
【发明人】庄德文, 唐轶峻, 沈杰, 孟森森
【申请人】浙江工业大学