《神经网络模型优化设计.docx》由会员分享，可在线阅读，更多相关《神经网络模型优化设计.docx（11页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、神经网络模型优化设计高轨卫星是我国卫星导航系统的重要组成部分。提升该类卫星的轨道预报精度有利于用户定位精度的提高。提出了一种改良高轨卫星轨道预报精度的新方法。该方法避开了精化动力学模型的困难，尝试从轨道预报误差的规律中寻找突破。利用神经网络作为建立预报模型的工具，将某历史时刻的轨道预报误差作为训练样本，利用训练好的神经网络模型补偿当前时刻的预报轨道以提高轨道预报精度。对影响神经网络模型补偿效果的各因素进行了具体分析，制定了适应于高轨卫星短期、中期和长期预报的神经网络最优模型。利用实测数据进行了试验分析，结果表明:预报，及应选择的训练步长分别为，及；轨道预报时，训练噪声均选取.。神经网络模型有效
2、地改良了高轨卫星的轨道预报精度，预报，轨道精度提高幅度为.不等。关键词:神经网络；轨道预报；训练噪声；训练步长；地球静止轨道卫星；倾斜地球同步轨道卫星高轨卫星在我国的航天系统中应用特别广泛。十分是我国的卫星导航系统()，其主要包括卫星和卫星。导航卫星星历的精度是定位精度的基础，而广播星历本身便是轨道预报的结果。预报精度问题是制约卫星导航系统服务性能的关键因素，因而有必要对导航系统中的高轨卫星轨道预报精度展开研究。改良轨道预报精度的一种方法是建立愈加精准的动力学模型。然而由于该方法需要长期精细轨道数据的支撑，周期长、难度大。改良轨道预报精度的另一种方法能够从轨道预报误差的规律中寻找突破。神经网络
3、作为一种新兴的建模工具，特点在于处理高维性、非线性的问题时不需要准确知道输出输入函数的构造参数。只要通过训练来把握它们之间的内在关系，在输入训练集以外的数据时，神经网络能够获得它们之间正确的映射关系。该方法的优势在于不确定性系统的控制和预测。目前在轨道预报中使用神经网络工具的相关研究较少，文献根据卫星星历的相关周期特性，以时间系列预报作为基础，利用神经网络建立预报模型。在没有任何动力学模型的情况下得到了精度为数百米(周)的预报结果。但是由于将卫星位置量直接作为神经网络的输出，神经网络算法的状态量动态范围大，限制了预报精度的提高。文献利用卫星精细星历已知的优势，将神经网络与动力学模型相结合组成混
4、合预报模型，改良导航卫星的中长期预报。该方法能够在一定程度上改良轨道预报精度，但不是每次改良均能成功，存在改良失效的情况。针对高轨卫星的高精度轨道预报这一难题展开研究。以神经网络作为建立预报模型的工具，在动力学模型基础上建立神经网络模型，通过对历史时刻预报误差的学习及训练，把握其变化规律，再用于补偿和改良当前时刻的预报轨道，以到达提高预报精度的目的。针对神经网络训练及补偿特性，分析了不同因素对神经网络模型性能的影响。基于此制定了短、中、长期轨道预报的最优模型，最后利用不同类型卫星进行了试验分析。基于神经网络的轨道预报算法神经网络是一种多层网络的“逆推学习算法。利用神经网络进行轨道预报分为训练和
5、补偿两个阶段。在训练阶段，采用拼接方法得到一条长时间的精细轨道，用于衡量动力学模型预报误差及神经网络模型的训练误差。针对拼接处小量级的跳跃现象，采用数值滤波方法进行轨道预报误差平滑。由于预报轨道和预报误差为训练样本，故需要对两者的特性进行分析。同时神经网络模型参数在一定程度上影响神经网络的训练效果，因而有必要对影响神经网络模型的一些关键因素进行分析，以确定最优的神经网络模型。在补偿阶段，将当前时刻的预报轨道()和()作为神经网络模型的输入；将利用函数(，)计算得到神经网络模型的输出作为当前时刻预报轨道的补偿值()，将改良后的预报轨道()和()作为最终轨道输出。在神经网络详细应用中，为了提高网络
6、性能以完成预定任务，需要认真考虑训练集预处理、网络构造设定以及训练算法等内容。网络的性能主要表如今训练效率及泛化能力。泛化能力是指辨识训练样本中所隐藏的规律并且当被输入样本以外数据时，网络能正确地反响这种规律的能力。关于网络泛化能力的相关讨论及改良措施，已有文献进行了比拟详实的总结。这里涉及到的方法主要包括下列个方面:一是处理训练样本的方法，将神经网络的训练样本进行归一化处理，使其在，变化，以提高神经网络的性能；二是训练步长的选取；三是增加随机噪声。不同因素对神经网络模型性能的影响分别针对预报轨道和预报误差特征、训练步长的选择、训练噪声的大小对神经网络模型性能的影响进行讨论。.预报轨道和预报误
7、差的特征分析.中长期预报轨道和预报误差特征将短期轨道预报弧长定位为，中期轨道预报弧长为，长期轨道预报弧长大于。以某初始时刻的预报误差作为训练样本训练得到的神经网络能够对其他初始时刻的预报轨道提供补偿，但前提是两个初始时刻的预报误差数值大小及波形图要相近。对卫星的预报误差进行时间序列分析，结果能够看出，预报误差最大值呈现以为周期的变化规律；卫星具有一样的特征。文中选取的训练弧长与当前时刻的轨道预报弧长相等。对于中长期轨道预报能够采用下面方案:假设预报弧长为()，)，用当前时刻起()之前那天的预报误差和预报轨道作为训练样本，训练弧长为，训练得到神经网络模型。采用神经网络模型计算得到的补偿误差波形对
8、当前的预报误差进行补偿。对于短期预报，由于预报弧长小于，其轨道预报方案中还考虑了预报误差波形的最佳匹配。即充分结合预报误差和预报轨道的动力学特性，建立了一个训练样本集。根据当前时刻的预报误差波形变化特征在样本集中搜索最佳训练样本，实现两者波形变化的最优匹配，进而实现最优的补偿效果。在中长期预报中未采用波形匹配算法的主要原因是，需要兼顾工程应用中的实时性，波形匹配耗时较长。.短期预报中的波形匹配算法航天器是一个受摄动力系统，其初值不稳定性使得利用不同初始轨道得到的预报轨道和预报误差的特性均不同。这就导致不同初始时刻的预报误差并无规律。为了实现最佳的神经网络模型补偿效果，必须找到与当前时刻预报误差
9、变化波形最为相近的历史时刻中的一条预报轨道。采用历史时刻的预报轨道和预报误差作为训练样本，训练得到神经网络模型。在实际工程应用中，由于当前时刻之后的预报弧段中的精细轨道无法获取，故不能获得当前时刻的预报误差波形变化规律，所以并不能直接通过预报误差波形比对来寻找补偿当前时刻预报轨道的训练样本。但是基于动力学模型外推能够得到当前时刻的预报轨道，假如能找到预报轨道与预报误差之间的波形变化对应关系，就可得到当前时刻的预报误差波形变化规律。由于预报误差的变化周期与轨道周期一样，对于/卫星均为，通过比照预报误差波形变化最大值和最小值出现的时刻，搜索得到用于补偿当前时刻预报误差的训练样本。由于预报轨道在数值
10、上远远大于预报误差，为了便于分析问题，将两者进行归一化处理，即分别将两者除以各自的最大值，这样它们就在之间变化。图和图分别给出了某卫星和某卫星在年第天预报的轨道与相应的预报误差之间的对应关系。其中，横坐标表示预报时间，单位为；纵坐标表示归一化后的数值，无量纲。)对于两种类型的卫星，在坐标系中和轴方向，当预报轨道/时，对应时刻的预报误差为最大值(峰值)或最小值(谷值)。预报轨道从正值变化为负值经过零值的时刻对应着预报误差的峰值，从负值变化为正值经过零值的时刻则对应着预报误差的谷值。)在轴方向，卫星的预报轨道和预报误差之间并无明显的对应关系；卫星存在与/轴一样的对应关系。将作为训练样本的预报误差选
11、择定义在坐标系中，主要是由于在该坐标系中预报误差的规律性强，并且与预报轨道之间存在一定的对应关系。.训练步长对预报精度的影响预报误差改良率的计算公式如下。以某卫星为例，表给出了不同预报弧长、不同训练步长下利用神经网络模型得到的预报误差改良率。分析表中的数据能够看出下列点。)训练步长越小，神经网络模型的改良率就越高。)预报弧长的长度与对训练步长的敏感度成反比，即弧长越长，训练步长的延长对改良率的影响就越小。训练步长从延长至，预报，和的改良率分别降低.，.和.。)由于训练步长越小，训练时间越长，因而改良率与训练时间是一对矛盾体。从综合改良率和训练时间的要求考虑，即改良率应尽可能高，而训练时间应尽可
12、能短。故预报，和应选择的训练步长分别为，和。.训练噪声对预报精度的影响以某初始时刻的轨道预报误差(称为训练值)作为训练样本训练神经网络模型，用其补偿另一个初始时刻利用动力学模型外推得到的预报误差(称为期望值)。假如训练值和期望值在同一时刻吻合的很好，那么利用神经网络模型一定能很好地修正动力学模型的预报误差。以某卫星轨道预报为例，图给出了采用不同噪声值时训练值和期望值之间的吻合关系。分为无噪声、噪声为.、噪声为.和噪声为.共种情况。从图中能够看到，不加噪声时训练值与其期望值的差异较大，因而应参加训练噪声以提高神经网络的泛化能力；参加噪声后训练值与期望值吻合的较好，但无法区分噪声值为多大时预报精度
13、最高。表给出了采用不同训练噪声时，经神经网络模型补偿后的轨道预报误差最大值的统计结果。其中原始预报误差为未进行补偿时的采用动力学模型外推得到的预报误差。表不同训练噪声下的预报分析表中数据能够看出下列两点。)无噪声时，前无改善，精度反而降低；预报及更长弧段时预报误差略有改善，故应参加训练噪声。)增加噪声后，噪声从.的变化对预报精度的改良幅度相当。但从总体来看，噪声越小，前的预报精度越高；但预报以及更长弧段时噪声为.的预报误差最小，故应选择训练噪声为.。试验结果及分析根据上述短、中、长期轨道预报方案，并结合不同神经网络模型参数的优化设计分析，给出了利用神经网络模型进行轨道预报的试验结果。通过与精细
14、星历比对能够分别得到动力学模型和神经网络模型的预报精度。表列出了系统中两颗、三颗共颗卫星在年第天利用神经网络模型和动力学模型外推得到的预报误差(其中代表神经网络模型；代表动力学模型)。卫星由于轨道机动未能统计其中长期预报结果。表中误差是在一定弧段内预报误差的最大值。从表可得，神经网络模型预报误差有时会大于动力学模型的预报误差；但预报，及各卫星采用神经网络模型补偿后的预报精度均有所提高。这主要由于的预报弧段规律性不强，不利于神经网络模型的学习及训练。随着弧段的增长，训练样本的规律性加强，神经网络模型的补偿效果有所提高。为了更好地衡量神经网络模型的改良效果，给出各卫星的预报精度提高幅度，其与预报误
15、差改良率的计算公式一样。表给出了各卫星经神经网络模型补偿后的预报精度提高幅度。从表中能够看出，预报各卫星的轨道精度改良幅度为.；预报各卫星的轨道精度改良幅度为.；预报改良幅度为.；预报改良幅度为.。可见神经网络模型在改良轨道预报误差中的作用显著。利用神经网络模型进行高轨卫星的轨道预报精度补偿，对影响神经网络模型补偿效果的各因素进行了具体分析，重点分析了预报轨道与预报误差之间的对应关系，制定了适应于导航卫星短期、中期和长期预报的神经网络最优模型，利用实测数据进行了试验分析，验证了该方法的可行性。主要结论如下:)对于卫星和卫星，当预报轨道在坐标系中的/时，对应时刻的预报误差为最大值或最小值。两类卫
16、星的中长期预报误差最大值均呈现以为周期的变化规律。)预报，及应选择的训练步长分别为，及；必须在训练样本中参加适当的随机噪声以提高网络泛化能力，轨道预报时，训练噪声建议选取.。)制定了短期预报以及中长期预报最优方案，采用神经网络优化模型后，轨道预报精度有所提高。不同预报弧长的轨道精度提高幅度也有所不同，预报弧段越长，训练样本的规律越强，越有利于神经网络模型的学习，进而神经网络模型补偿性能越好。预报，轨道精度提高幅度为.。)神经网络模型对于改良高轨卫星的轨道预报精度是有效的，能够为卫星导航系统中导航卫星的短期预报精度提高提供技术参考，并为全球卫星导航系统中导航卫星的自主定轨提供长期精细的初轨信息。)在实际的工程应用中，必须保证每次的神经网络补偿精度都是提高的，以保证该方法的适用性。但试验分析结果表明，基于神经网络模型补偿的预报轨道精度存在少量下降情况。采用度下降的预报轨道，将严重影响预报轨道的使用效果。因而需要一种轨道精度评估方法，有效挑选出补偿失败的预报轨道。继续采用基于动力学模型预报的预报轨道，以保证最终输出的预报轨道精度一定优于或等于基于动力学模型外推得到的预报轨道精度，进而保证神经网络模型在实际工程中的适用性，还需要进一步研究。