[发明专利]一种空间抓捕过程不确定性重构和预测方法

说明书

本发明公开了一种空间抓捕过程不确定性重构和预测方法，本发明针对现有多源复杂不确定性规律难以获取的问题，利用生成式对抗神经网络对其进行重构，挖掘了多源不确定性与系统运动状态和外部干扰源中间的内在联系，提高了不确定性分析的准确性。然后，基于连续型隐马尔科夫模型预测系统状态、输入和不确定性随时间变化的走势，综合利用神经网络的输出值和隐马尔科夫模型的预测值，得到最终对不确定性的预测结果。该方法通过生成式对抗神经网络和隐马尔科夫模型相结合，大大提高了空间操作不确定性的重构和预测的准确性。

技术领域

本发明属于空间抓捕过程中的不确定性分析和预测领域，具体涉及一种空间抓捕过程不确定性重构和预测方法。

背景技术

众所周知，空间碎片的数目日益增长并且已经严重影响到人类正常的航天活动。因此，空间碎片的抓捕和移除已经成为各航天大国及国际研究机构的研究热点之一。空间碎片是空间非合作目标的一种，其接管控制技术在抓捕任务中扮演着至关重要的角色。在空间碎片的抓捕、移除和接管控制过程中，常常存下未建模动态、结构不确定性、建模误差、空间干扰等多源不确定性。只有对此类不确定性进行精确补偿，才能够实现准确有效的接管控制。而此类多源不确定性难以使用原有的微分方程方式进行建模，必须借助于新型智能方法进行处理。

发明内容

本发明的目的在于克服上述不足，提供一种空间抓捕过程不确定性重构和预测方法，大大提高了空间操作不确定性的重构和预测的准确性。

为了达到上述目的，本发明包括以下步骤：

步骤一，基于空间追逃博弈场景，针对空间非合作目标的接管过程，收集接管过程中出现的空间干扰信息，同时收集接管过程中组合系统的时间相关的状态和输入信息；

步骤二，根据收集的信息构建生成式对抗神经网络，通过生成模型和判别模型的不断优化和博弈，组建生成式对抗神经网络，生成式对抗神经网络对空间非合作目标不确定性的特征提取与重构，最终得到基于纳什平衡的生成式对抗神经网络；

步骤三，利用连续型隐马尔科夫模型预测系统状态、输入和不确定性随时间变化的走势，综合生成式对抗神经网络的输出值和隐马尔科夫模型的预测值，得到最终对不确定性的预测结果。

步骤一中，将空间非合作目标的接管过程中收集的信息发送至计算机中，计算机推演接管运动中诱发的系统参数和结构不确定性、未建模动态、动态非线性项、传感器测量噪声的运动规律，并且记录空间非合作目标的运动状态。

对空间非合作目标的接管过程中收集的组合系统状态和输入信息，以及对不确定性信息进行来源分析、数量级分析和频率分析，分析后的信息构建生成式对抗神经网络。

在收集信息过程中，通过频率选择机构对高频噪声进行滤除。

将收集的信息进行分类，根据不确定性信息的来源、数量级和频率，分别进行归一化后组建测试数据集和训练数据集。

利用训练数据集对测试数据集进行训练，对生成式对抗神经网络的参数权重进行调整，对生成器和判别器不断优化，提高生成能力和判别能力，最终达到一个纳什均衡，得到基于纳什平衡的生成式对抗神经网络。

步骤二中，生成式对抗神经网络中的生成模型和判别模型均包含三层卷积网络结构，并采用池化进行融合，最后通过Softmax进行分类输出。

步骤三中，对系统状态和不确定性随时间变化的走势采用连续型隐马尔科夫模型来建模，假定状态序列和不确定性序列服从高斯分布，使用三维混合高斯分布作为隐马尔科夫模型中混淆矩阵的概率密度函数，从而预测系统状态、输入和不确定性的走势P₀；然后，将预测的系统状态输入到生成式对抗神经网络中，得到不确定性的预测值P₁；综合P₀和P₁，得到最终对不确定的预测值P＝αP₀+(1-α)P₁，其中α∈(0,1)。