[发明专利]一种空间目标形状识别方法

说明书

本发明公开了一种空间目标形状识别方法，针对GEO空间目标的形状识别时，考虑了空间观测几何对空间目标特征识别的影响，根据有实际物理和几何意义，在相似的空间观测几何变化规律下，进行目标的形状识别时，首先将光度数据在各自的中心点时刻进行归一化，而后将归一化之后的当前观测光度数据和与当前观测具有相似的空间观测几何变化规律的空间目标数据库中的不同形状模型的归一化光度数据做快速动态时间规整距离计算，归一化的光度数据仅考虑空间目标形状对空间目标光度数据的影响，进而通过计算“形状”距离的方式实现GEO目标形状的识别，并给出了最小值和均值识别模型，将当前观测数据与目标历史光度数据进行对比，可实现对高轨目标状态的长期监视。

技术领域

本发明涉及的是一种空间目标形状识别方法，属于计算领域。

背景技术

对于GEO目标，由于距离远，光学和雷达均无法实现对其进行高分辨成像，因此高轨目标主要是通过光度数据的实现目标特征的反演。高轨目标尤其是地球静止轨道目标，一般执行通信导航、信息中继、导弹预警和在轨服务等任务，不同任务类型的目标拥有不同的平台类型，判定平台类型的形状，是判定平台类型的关键，进而进行目标任务类型的判断、目标威胁度的评估。

基于光度数据，针对空间目标的形状的判定，目前主要由两种方式：一是传统的形状反演方法，通过建立不同形状的模型库，通过非线性滤波的方法实现空间目标的形状反演；二是基于空间目标光度大数据驱动的形状识别方法，该方法一般采用特征提取技术提取空间目标光度曲线的历史数据特征，然后结合不同机器学习算法对提取的参数进行模型训练，形成目标识别、分类系统。

基于光度数据实现GEO目标的形状反演，传统的反演方法只考虑了相位角的变化对空间目标形状反演影响，仅仅考虑了简单的观测几何，对观测几何的分析不够全面，且对观测条件要求苛刻；基于光度大数据的空间目标形状识别方法，面向GEO目标直接对观测得到的光度数据进行机器学习，没有考虑观测中的几何意义，机器学习的目的将达不到预期的效果。当前我国地基空间目标光学监视系统观测和累积了大量的光度数据，迫切需要智能化的手段实现GEO目标的特征判定，有效的提升空间态势感知的能力。

发明内容

针对上述缺陷，本发明提供了一种空间目标形状识别方法，针对空间目标光学探测中获取的GEO空间目标光度大数据，在充分考虑观测几何关系对空间目标光度数据的影响基础上，寻找与当前具有相似空间观测几何变化规律的光度数据集，通过计算当前观测光度数据与该光度数据集的“形状”距离实现空间目标的形状识别。

为达到上述目的，本发明通过以下技术方案来具体实现：

本发明提供了一种空间目标形状识别方法，该方法包括：

步骤一、采集多组不同时间观测的空间目标的光度数据和轨道数据，作为空间目标数据库；

步骤二、通过空间目标的轨道数据解析出空间目标观测过程中太阳、探测器和空间目标三者的相对位置序列，相对位置序列统一在卫星质心轨道坐标系下；

步骤三、由相对位置序列解算相位角序列、太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列；太阳的方位角序列的变化规律、太阳的俯仰角序列的变化规律、探测器的方位角序列的变化规律与探测器的俯仰角序列的变化规律为空间观测几何变化规律；

步骤四、获取当前观测数据，所述当前观测数据包括当前观测光度数据和当前观测轨道数据；

步骤五、搜索空间目标数据库中与当前观测数据的相位角序列具有相似的变化规律的第一空间目标数据库Dom1；

步骤六、在第一空间目标数据库中搜索与当前观测数据的太阳的方位角序列、太阳的俯仰角序列、探测器的方位角序列和探测器的俯仰角序列均具有相似的变化规律的第二空间目标数据库Dom2；

步骤七、将第二空间目标数据库中的光度数据在各自的中心点时刻进行归一化后，组成第三空间目标数据库；