一種基于人工智能的空間碎片光譜特征分類方法
【專利摘要】一種基于人工智能的空間碎片光譜特征分類方法，包括如下步驟：步驟1，碎片光譜數(shù)據(jù)采集；步驟2，光譜數(shù)據(jù)歸一化預(yù)處理；步驟3，深度網(wǎng)絡(luò)模型訓(xùn)練，采用隨機梯度下降算法，對各層預(yù)訓(xùn)練后的深度網(wǎng)絡(luò)展開為深度前饋網(wǎng)絡(luò)，并以所訓(xùn)練的網(wǎng)絡(luò)參數(shù)作為該深度網(wǎng)絡(luò)參數(shù)的初始值，用經(jīng)典的反向傳播算法對網(wǎng)絡(luò)作精細化調(diào)整，采用變學(xué)習(xí)率方法，設(shè)定訓(xùn)練回合數(shù)，完成深度網(wǎng)絡(luò)訓(xùn)練，得到最終深度學(xué)習(xí)網(wǎng)絡(luò)模型；步驟4，對所觀測的碎片光譜，按前述步驟2作數(shù)據(jù)預(yù)處理，由步驟3所訓(xùn)練的深度網(wǎng)絡(luò)模型輸出每條光譜的類別，以同一個圈次中各條光譜輸出類別數(shù)最多者作為該碎片的類型。本發(fā)明有效適用于深空環(huán)境、準確性更高。
【專利說明】
-種基于人工智能的空間碎片光譜特征分類方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明設(shè)及載人航天實施空間監(jiān)測技術(shù)領(lǐng)域，尤其是一種空間碎片類型分析方 法。
【背景技術(shù)】
[0002] 自1957年10月前蘇聯(lián)發(fā)射首顆人造地球衛(wèi)星W來，人類幾十年的空間探索活動產(chǎn) 生了大量的空間碎片，對人類航天活動的安全造成嚴重威脅，成為空間環(huán)境的主要污染源， 并在一定程度上對航天活動的正常開展產(chǎn)生了影響。
[0003] 隨著中國的經(jīng)濟發(fā)展W及國家安全的需要，航天空間活動將愈來愈多，并在不久 的將來，對應(yīng)用衛(wèi)星的需求更可能大增。運些應(yīng)用衛(wèi)星與國民經(jīng)濟關(guān)系密切，一旦受損，社 會影響、經(jīng)濟影響巨大，甚至危及國家安全;而運些衛(wèi)星運行區(qū)域大都分布在低軌道，處于 空間碎片密集區(qū)域，受碰撞損傷的威脅很高。同時，持續(xù)開展載人航天活動、建立永久的有 人值守軌道空間站，將會是中國航天事業(yè)發(fā)展的必然趨勢。所W可W預(yù)期，對載人航天實施 空間監(jiān)測、預(yù)警也會成為中國航天不可回避的事實，在運樣的背景下，對空間碎片的觀測技 術(shù)進行研究，具有重要的現(xiàn)實意義和研究價值。
[0004] 傳統(tǒng)空間碎片測量W位置信息測量為主，包括碎片的Ξ維位置坐標(biāo)、速度、加速度 等參數(shù)，可衍生出各類地球軌道參數(shù)。為了提高碎片的監(jiān)測預(yù)警能力，對測量系統(tǒng)除了要求 獲得其位置信息之外，更需要獲得碎片的特征信息，如碎片的形狀、體積、表面材料參數(shù)等 特征信息，它對空間監(jiān)測、預(yù)警尤為重要。
[0005] 人造天體碎片的大小、形狀、材料類別的確定，對于空間環(huán)境監(jiān)測和預(yù)警至關(guān)重 要。光譜測量技術(shù)是天體碎片分析的一種重要方法，人造天體碎片一般本身并不發(fā)光，其亮 度來自太陽光的反射，僅由亮度變化不足W分辨碎片的材料組成，分析其光譜特征成為我 們辨認碎片類別的主要手段。
[0006] 在地基(地面觀測站)條件下，光譜儀所獲取光譜由碎片材料成分、太陽光譜、地球 大氣吸收譜，W及測量過程中產(chǎn)生的噪聲等因素綜合決定，因而由光譜推斷碎片種類并沒 有一個解析解。本發(fā)明采用深度網(wǎng)絡(luò)學(xué)習(xí)算法，對碎片類型作分類。
[0007] 空間碎片的測量有雷達測量和光學(xué)測量，雷達測量可W克服天氣、太陽和及地影 的影響，能全天候全天時工作，但由于雷達測量時，其反射回波信號的強度與距離的四次方 成反比，因而雷達測量比較適合于低地球軌道的小碎片；另外雷達測量需要發(fā)射信號，屬于 主動探測形式，運在某些情形下可能不合適。
[0008] 而對于無源光學(xué)測量，信號反射強度與物體的距離的平方成反比，因而能探測高 軌道碎片，另外它僅接收碎片對太陽光的反射，屬于被動探測形式，可較好的適合于某些特 殊場合。
【發(fā)明內(nèi)容】
[0009] 為了克服已有空間碎片分類方法無法適用于深空環(huán)境、準確性較差的不足，本發(fā) 明提供一種有效適用于深空環(huán)境、準確性更高的基于人工智能的空間碎片光譜特征分類方 法。
[0010] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0011] -種基于人工智能的空間碎片光譜特征分類方法，所述分類方法包括如下步驟：
[0012] 步驟1，碎片光譜數(shù)據(jù)采集；
[0013] 利用光譜儀，采集碎片光譜數(shù)據(jù)；
[0014] 步驟2,光譜數(shù)據(jù)歸一化預(yù)處理；
[0015] 步驟3,深度網(wǎng)絡(luò)模型訓(xùn)練；
[0016] 3.1)權(quán)值初始化:取區(qū)間為均勻隨機值：
[0017]
[0018] 其中化run表示網(wǎng)絡(luò)每層輸入節(jié)點數(shù)，fanout表示網(wǎng)絡(luò)每層輸出節(jié)點數(shù)；
[0019] 3.2)神經(jīng)元的激勵函數(shù)選擇為sigmoid函數(shù)，對變量a,函數(shù)形式為：
[0020] sigmoid(a) = 1/( 1+e-a)
[0021] 3.3)設(shè)定學(xué)習(xí)率；
[0022] 3.4)選定批訓(xùn)練大??；
[0023] 3.5)調(diào)試每層節(jié)點數(shù)；
[0024] 3.6)采用堆找去噪自編碼做逐層預(yù)訓(xùn)練，設(shè)定訓(xùn)練回合數(shù)；
[0025] 3.7)學(xué)習(xí)算法采用隨機梯度下降算法；
[0026] 3.8)對各層預(yù)訓(xùn)練后的深度網(wǎng)絡(luò)展開為深度前饋網(wǎng)絡(luò)，并W所訓(xùn)練的網(wǎng)絡(luò)參數(shù)作 為該深度網(wǎng)絡(luò)參數(shù)的初始值，用經(jīng)典的反向傳播算法對網(wǎng)絡(luò)作精細化調(diào)整，采用變學(xué)習(xí)率 方法，設(shè)定訓(xùn)練回合數(shù)，完成深度網(wǎng)絡(luò)訓(xùn)練，得到最終深度學(xué)習(xí)網(wǎng)絡(luò)模型；
[0027] 步驟4,碎片類型分類；
[0028] 對所觀測的碎片光譜，按前述步驟2作數(shù)據(jù)預(yù)處理，由步驟3所訓(xùn)練的深度網(wǎng)絡(luò)模 型輸出每條光譜的類別，W同一個圈次中各條光譜輸出類別數(shù)最多者作為該碎片的類型。
[0029] 進一步，所述步驟2中，光譜數(shù)據(jù)歸一化預(yù)處理過程如下：
[0030] 2.1)記光譜矢量為xERd，圭
，則剔除該條光譜矢量，即當(dāng)獲取的光譜 較暗時，去除該條光譜；
[0031] 2.2)同一觀測圈次中11條光譜，記為刊￡1?4^' = 1，...，11，計算平均矢量
， 并計算各條光譜矢量到光譜平均矢量的歐式距離化=l|x廣μ|| J = i，...，n，其中II · II表 示矢量的歐氏范數(shù)，記化，j = l，...，n的中值為D，標(biāo)準差為Δ，采用如下判別離群點：
[0032]
[0033] 本發(fā)明的有益效果主要表現(xiàn)在:有效適用于深空環(huán)境、準確性更高。
【附圖說明】
[0034] 圖1是基于人工智能的空間碎片光譜特征分類方法的流程圖。
[0035] 圖2是可見光譜材料譜的示意圖。
[0036] 圖3是可見光譜混合譜的示意圖。
【具體實施方式】
[0037] 下面結(jié)合附圖對本發(fā)明作進一步描述。
[0038] 參照圖1~圖3,一種基于人工智能的空間碎片光譜特征分類方法，包括如下步驟：
[0039] 步驟1，碎片光譜數(shù)據(jù)采集；
[0040] 利用光譜儀，采集碎片光譜數(shù)據(jù)；
[0041] 步驟2，光譜數(shù)據(jù)歸一化預(yù)處理；
[0042] 由于噪聲等因素影響，所獲取光譜數(shù)據(jù)中存在某些離群點，為此采用如下方法剔 除離群點：
[0043] 2.1)記光譜矢量為xERd，老
則剔除該條光譜矢量，即當(dāng)獲取的光譜 較暗時，去除該條光譜；
[0044] 2.2)同一觀測圈次中11條光譜，記為刊￡1^^' = 1，...，11，計算平均矢量
并計算各條光譜矢量到光譜平均矢量的歐式距離化=l|x廣μ|| J = i，...，n，其中II · II表 示矢量的歐氏范數(shù)，記化，j = l，...，n的中值為D，標(biāo)準差為Δ，采用如下判別離群點：
[0045]
[0046] 步驟3,深度網(wǎng)絡(luò)模型訓(xùn)練；
[0047] 3.1)權(quán)值初始化:取區(qū)間為均勻隨機值：
[004引
[0049] 其中化run表示網(wǎng)絡(luò)每層輸入節(jié)點數(shù)，fanout表示網(wǎng)絡(luò)每層輸出節(jié)點數(shù)；
[0050] 3.2)神經(jīng)元的激勵函數(shù)選擇為sigmoid函數(shù)：
[0051] sigmoid(a) = 1/( l+e-a)
[0化2] 3.3)學(xué)習(xí)率:選擇為0.1;
[0053] 3.4)批訓(xùn)練大小(minibatch):選擇為64或10;
[0054] 3.5)每層節(jié)點數(shù)，由實驗調(diào)試，最后選擇為3隱層，各隱層節(jié)點數(shù)分別為300、100、 100；
[0055] 3.6)采用堆找去噪自編碼做逐層預(yù)訓(xùn)練，訓(xùn)練回合數(shù)(邱och)，取100;
[0056] 3.7)學(xué)習(xí)算法采用隨機梯度下降算法；
[0057] 3.8)對各層預(yù)訓(xùn)練后的深度網(wǎng)絡(luò)展開為深度前饋網(wǎng)絡(luò)，并W所訓(xùn)練的網(wǎng)絡(luò)參數(shù)作 為該深度網(wǎng)絡(luò)參數(shù)的初始值，用經(jīng)典的反向傳播算法(BP)對網(wǎng)絡(luò)作精細化調(diào)整，采用變學(xué) 習(xí)率方法，分別取學(xué)習(xí)率為〇.1、〇.〇1、〇.001，訓(xùn)練回合數(shù)各取150,完成深度網(wǎng)絡(luò)訓(xùn)練，得到 最終深度學(xué)習(xí)網(wǎng)絡(luò)模型；
[005引步驟4,碎片類型分類；
[0059] 對所觀測的碎片光譜，按前述步驟2作數(shù)據(jù)預(yù)處理，由步驟3所訓(xùn)練的深度網(wǎng)絡(luò)模 型輸出每條光譜的類別，W同一個圈次中各條光譜輸出類別數(shù)最多者作為該碎片的類型。
[0060] 仿真模擬例子:一種基于人工智能的空間碎片光譜特征分類方法，包括如下步驟：
[0061] 步驟1.數(shù)據(jù)采集
[0062] 將5種材料譜隨機取巧巾，共得到10種不同組合，并作為不同類別標(biāo)志（10類），隨機 選擇混合比例系數(shù)(和為1)，加上1%能量的高斯噪聲，每種類別混合數(shù)為7,000,共得到70， 000條混合光譜，并將之分為不相交的訓(xùn)練集(50，000)、有效集(10，000)、測試集(10，000)。
[0063] 步驟2.深度網(wǎng)絡(luò)訓(xùn)練，參照表1和表2.
[0067] 表 2
[0068] 步驟3.類別測試：W所獲得的訓(xùn)練后的深度學(xué)習(xí)模型，對測試集樣本類別加 W測 試，得到類別準確率90 %。
【主權(quán)項】
1. 一種基于人工智能的空間碎片光譜特征分類方法，其特征在于:所述分類方法包括 如下步驟： 步驟1，碎片光譜數(shù)據(jù)采集； 利用光譜儀，采集碎片光譜數(shù)據(jù)； 步驟2，光譜數(shù)據(jù)歸一化預(yù)處理； 步驟3,深度網(wǎng)絡(luò)模型訓(xùn)練； 3.1) 權(quán)值初始化:取區(qū)間為均勻隨機值：其中famn表示網(wǎng)絡(luò)每層輸入節(jié)點數(shù)，farw表示網(wǎng)絡(luò)每層輸出節(jié)點數(shù)； 3.2) 神經(jīng)元的激勵函數(shù)選擇為sigmoid函數(shù)，對變量a，函數(shù)形式為： sigmoid (a) = 1/( l+e-a) 3.3) 設(shè)定學(xué)習(xí)率； 3.4) 選定批訓(xùn)練大??； 3.5) 調(diào)試每層節(jié)點數(shù)； 3.6) 采用堆棧去噪自編碼做逐層預(yù)訓(xùn)練，設(shè)定訓(xùn)練回合數(shù)； 3.7) 學(xué)習(xí)算法采用隨機梯度下降算法； 3.8) 對各層預(yù)訓(xùn)練后的深度網(wǎng)絡(luò)展開為深度前饋網(wǎng)絡(luò)，并以所訓(xùn)練的網(wǎng)絡(luò)參數(shù)作為該 深度網(wǎng)絡(luò)參數(shù)的初始值，用經(jīng)典的反向傳播算法對網(wǎng)絡(luò)作精細化調(diào)整，采用變學(xué)習(xí)率方法， 設(shè)定訓(xùn)練回合數(shù)，完成深度網(wǎng)絡(luò)訓(xùn)練，得到最終深度學(xué)習(xí)網(wǎng)絡(luò)模型； 步驟4,碎片類型分類； 對所觀測的碎片光譜，按前述步驟2作數(shù)據(jù)預(yù)處理，由步驟3所訓(xùn)練的深度網(wǎng)絡(luò)模型輸 出每條光譜的類別，以同一個圈次中各條光譜輸出類別數(shù)最多者作為該碎片的類型。2. 如權(quán)利要求1所述的一種基于人工智能的空間碎片光譜特征分類方法，其特征在于： 所述步驟2中，光譜數(shù)據(jù)歸一化預(yù)處理過程如下： 2.1) 記光譜矢量為xeRd，，則剔除該條光譜矢量，即當(dāng)獲取的光譜較暗 時，去除該條光譜； 2.2) 同一觀測圈次中11條光譜，記為幻61^，」=1，...，11，計算平均矢算各條光譜矢量到光譜平均矢量的歐式距離仏=||幻4||，」=1，...，1!，其中||叫|表示矢 量的歐氏范數(shù)，記仏，j = l，. . .，n的中值為D，標(biāo)準差為Δ，采用如下判別離群點：
【文檔編號】G06K9/62GK105825231SQ201610147324
【公開日】2016年8月3日
【申請日】2016年3月15日
【發(fā)明人】莊德文, 唐軼峻, 沈杰, 孟森森
【申請人】浙江工業(yè)大學(xué)