本发明涉及航空航天领域，尤其涉及基于机器学习的高轨道卫星光压模型辨识方法及系统。
背景技术：
：中高轨导航卫星的太阳光压摄动力是除地球引力、日月引力外最大的非保守摄动力，与摄动力与卫星姿态控制策略和星体表面材料属性等有关。受太阳活动、卫星姿态控制误差以及卫星表面材料老化等影响，光压摄动力难以精确建模，成为导航卫星精密轨道确定中的主要误差源。目前，卫星光压模型可以分为分析型和经验型两种，分析型光压模型是根据卫星星体结构以及卫星表面材料的反射和吸收特性将卫星表面分成若干部分，分别计算各部分的光压摄动力分量，然后将结果求和，得到光压摄动力。经验型光压模型基于卫星长期大量在轨数据拟合多项式寻求最优待估参数而得，需要多年的卫星实际在轨数据。然而，光压辐射与卫星本身参数状态密切相关，具有明显的个体差异性，目前的分析模型都无法根据不同卫星的数据生成有针对性的光压模型，应用面较窄。技术实现要素：本发明所要解决的技术问题是针对现有技术的不足，提供一种基于机器学习的高轨道卫星光压模型辨识方法及系统。本发明解决上述技术问题的技术方案如下：一种基于机器学习的高轨道卫星光压模型辨识方法，包括：确定n个用于评价高轨道卫星光压的原始特征，n≥2；通过预设的非参数化的特征选择方法，对全部所述原始特征进行主特征分析，得到用于建模的m个主特征，m≤n；根据m个所述主特征构建学习集合，通过所述学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型；通过预设的优化方法对所述高轨道卫星光压模型的超参数进行优化；根据优化后的所述高轨道卫星光压模型计算高轨道卫星的光压信息。本发明的有益效果是：本发明提供的基于机器学习的高轨道卫星光压模型辨识方法，适用于航天飞行中复杂的光压摄动力建模，本发明提出了一类解决复杂输入输出关系建模的框架，即降维-拟合-调参的一体化操作，通过对原始特征进行降维处理，能够提高后续计算的效率，再通过机器学习算法进行数据拟合，对超参数进行优化，能够根据不同卫星的数据生成有针对性的光压模型，应用面较广，短时内可很好处理高维数据集且精度较高，有效解决了机器学习算法计算精度提高与计算量需求增加之间的矛盾。本发明解决上述技术问题的另一种技术方案如下：一种基于机器学习的高轨道卫星光压模型辨识系统，包括：获取单元，用于获取确定的n个用于评价高轨道卫星光压的原始特征，n≥2；降维单元，用于通过预设的非参数化的特征选择方法，对全部所述原始特征进行主特征分析，得到用于建模的m个主特征，m≤n；建模单元，用于根据m个所述主特征构建学习集合，通过所述学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型；优化单元，用于通过预设的优化方法对所述高轨道卫星光压模型的超参数进行优化；计算单元，用于根据优化后的所述高轨道卫星光压模型计算高轨道卫星的光压信息。本发明提供的基于机器学习的高轨道卫星光压模型辨识系统，适用于航天飞行中复杂的光压摄动力建模，降维单元通过对原始特征进行降维处理，能够提高后续计算的效率，建模单元通过机器学习算法进行数据拟合，优化单元对超参数进行优化，能够根据不同卫星的数据生成有针对性的光压模型，应用面较广，短时内可很好处理高维数据集且精度较高，有效解决了机器学习算法计算精度提高与计算量需求增加之间的矛盾。本发明附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。附图说明图1为本发明基于机器学习的高轨道卫星光压模型辨识方法的实施例提供的流程示意图；图2为本发明基于机器学习的高轨道卫星光压模型辨识方法的其他实施例提供的特征权重比较结果示意图；图3为本发明基于机器学习的高轨道卫星光压模型辨识系统的实施例提供的结构框架图。具体实施方式以下结合附图对本发明的原理和特征进行描述，所举实施例只用于解释本发明，并非用于限定本发明的范围。本发明采用的是无模型估计算法，假设已知的观测数据集合为{(x1，y1)，(x2，y2)，...，(xn，yn)}，简称{x，y}，其中隐含的函数关系为y＝f(x)，回归的目的是得到这一函数关系。然而，与常规的方法不同，本发明并不对上述函数的形式做具体要求，例如线性、多项式、指数、傅立叶级数等，而是直接将其当作一个黑箱，通过已有的观测数据集合直接刻画这个黑箱的输入输出关系，下面具体说明。如图1所示，为本发明基于机器学习的高轨道卫星光压模型辨识方法的实施例提供的流程示意图，该高轨道卫星光压模型辨识方法包括：s1，确定n个用于评价高轨道卫星光压的原始特征，n≥2；例如，原始特征可以根据经验和监测卫星运动的数据确定，例如，可以包括时间、太阳位置矢量、卫星位置矢量、卫星速度矢量、卫星-太阳连线方向角、卫星姿态四元数等与太阳光压摄动力相关的参数。s2，通过预设的非参数化的特征选择方法，对全部原始特征进行主特征分析，得到用于建模的m个主特征，m≤n；需要说明的是，对于确定的这些原始特征，其影响是不同的，因此，可以通过对原始特征进行特征选择，将影响较大的特征作为主特征，进行后续的建模，从而大大降低训练集的维度，提高训练的效率。例如，可以通过领域成分分析等方法进行主特征分析。s3，根据m个主特征构建学习集合，通过学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型；例如，可以通过支持向量机、神经网络等机器学习算法进行学习。应理解，高轨道卫星光压模型的输入就是主特征，输出就是高轨道卫星的光压信息，例如，光压信息可以为光压加速度在某坐标系，如j2000惯性坐标系下的分量。s4，通过预设的优化方法对高轨道卫星光压模型的超参数进行优化；s5，根据优化后的高轨道卫星光压模型计算高轨道卫星的光压信息。本实施例提供的基于机器学习的高轨道卫星光压模型辨识方法，适用于航天飞行中复杂的光压摄动力建模，本发明提出了一类解决复杂输入输出关系建模的框架，即降维-拟合-调参的一体化操作，通过对原始特征进行降维处理，能够提高后续计算的效率，再通过机器学习算法进行数据拟合，对超参数进行优化，能够根据不同卫星的数据生成有针对性的光压模型，应用面较广，短时内可很好处理高维数据集且精度较高，有效解决了机器学习算法计算精度提高与计算量需求增加之间的矛盾。可选地，在一些实施例中，通过预设的非参数化的特征选择方法，对全部原始特征进行主特征分析，得到用于建模的m个主特征，具体包括：通过领域成分分析法对全部原始特征的高轨道卫星光压影响的权重进行分析，得到每个原始特征在预设方向上的光压摄动加速度的权重；根据每个原始特征在预设方向上的权重的大小确定用于建模的m个主特征。需要说明的是，领域成分分析(neighborhoodcomponentanalysis，nca)是一种非参数化的特征选择方法，其核心是优化得到各个特征的权重系数，以体现各个特征对于输出结果的影响。优化的目标函数一般设置为训练集的平均留一误差。考虑训练集为s＝{(xi，yi)，i＝1，2，…，n}其中xi∈rp，y∈r。定义任意两个点xi和xj之间的加权距离函数为：考虑如下的回归随机模型：任意给定一个x，从训练集s中随机选择一个样本，作为x的参考，记为ref(x)；同时令x的输出等于ref(x)的输出。假设选择的过程与加权距离有关。那么xj被选择为x的参考的概率为：这里k是核函数，用以描述两个点的相似程度，即权重距离越小，核函数的取值越大。接下来考虑对上述过程进行“留一”操作。令除去xi的训练集记为s-i，那么xj被选为xi的参考的概率为：令为上述回归随机模型对xi响应的预测值，而yi为响应真值。定义两者的差异，即损失函数为l：r2→r。进而可以关于xi的平均损失函数：其中，pij代表选择xj作为xi的参考的概率。最终我们可以得到整个训练集的目标函数为：其中第二项为正则项，体现了预测准确度和预测函数复杂度的权衡，以避免过拟合。至此，nca方法实际上为一个无约束优化问题：minwf(w)。可选地，在一些实施例中，根据每个原始特征在预设方向上的权重的大小确定用于建模的m个主特征，具体包括：对全部原始特征在预设方向上的权重进行归一化处理；分别将每个原始特征在第i个预设方向上的权重与第i个预设阈值进行比较；将每个预设方向上的权重均小于对应预设阈值的原始特征作为主特征。需要说明的是，预设阈值可以根据实际需求设置。下面以一个具体的实例进行说明。以gps卫星blockii为例，近地点高度在300km附近，远地点高度约为36000km附近，并外推一年，生成的光压数据表示在j2000惯性系中。选择16个原始特征，如表1所示。应理解，这些特征中的位置和速度矢量都是相对于j2000坐标系而言的，姿态相对于j2000进行定义，而光照矢量是相对于轨道面定义的。这些特征并不是完全独立的，例如光照视线角度可以通过太阳位置以及卫星位置计算得到。因此，这些量在光压模型中的地位也是不同的。表1特征编号特征编号时间1光照视线高低角11太阳位置x分量2光照视线方位角12太阳位置y分量3卫星姿态四元数13太阳位置z分量4卫星姿态四元数14卫星位置x分量5卫星姿态四元数15卫星位置y分量6卫星姿态四元数16卫星位置z分量7卫星速度x分量8卫星速度y分量9卫星速度z分量10通过领域成分分析法对这些原始特征影响的权重进行估计，并归一化，得到的结果如图2所示，图2中，给出了j2000坐标系下各个特征对三个方向的光压摄动加速度的影响，为了更好地表现不同特征的影响，图2中还给出了权重系数的中位数med和平均值mean。从图2中可以看出各个特征的影响是不同的。例如时间光压模型的影响权重几乎为零，而卫星速度的影响也很小。此外，卫星姿态四元数的影响也是不同的，其中最后一个分量影响最大，主要体现了gps卫星偏航姿态的影响。考察不同的摄动加速度分量，我们可以看到特征的影响近似，但是还存在这一些差别。太阳位置的y分量对z向的摄动加速度影响很小，而对于x和y方向的影响较大。明确了这些影响之后，可以大大降低训练集的维度。例如，初始的训练集维度为16，而简化后训练集维度可以为8-10个。这样可以进一步提高训练的效率。可选地，在一些实施例中，根据m个主特征构建学习集合，通过学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型，具体包括：将m个主特征作为输入，将光压加速度信息作为输出，获取预设数量的学习数据，将学习数据划分为训练集和验证集，得到学习集合，其中，学习数据包含主特征和光压加速度信息；通过训练集对支持向量机进行训练，得到高轨道卫星光压模型，并通过验证集进行验证。例如，学习集合可以为：输入：太阳位置矢量、卫星位置矢量、卫星速度矢量、卫星-太阳连线方向角、卫星姿态四元数；输出：光压加速度在j2000坐标系下的分类和幅值，可以叠加15％的随机误差。获取一年的学习数据，把学习数据随机分为两部分，第一部分为20周，作为训练集，第二部分为32周，作为校验集。由于svm在小样本训练集上能够得到比其他算法更好的结果，因此可节省存储和计算资源，降低了对数据规模和数据分布的要求。需要说明的是，支持向量机也是一种无模型方法。支持向量机的本质为一个线性分类器，本发明主要考虑ε-损失函数。回归的目标是使得预测值和真实观测的偏差不超过ε，同时使得直线更可能地平坦。对于非线性函数的回归，svm的思想是将其投影到高维空间中，进行线性拟合，即：这里是非线性投影函数。在求解时仅仅需要：而不需要知道非线性函数本身。因此，只需要在高维空间定义内积即可，常用的内积有：g(x1，x2)＝x′1x2g(x1，x2)＝exp(-||x1-x2||2)g(x1，x2)＝(1 x′1x2)p分别为线性内积、高斯内积和多项式内积。进而可以构建对偶问题并进行优化，拉格朗日函数为：约束为：kkt条件为：优化求解后可以得到非线性拟合函数为：可选地，在一些实施例中，通过预设的优化方法对高轨道卫星光压模型的超参数进行优化，具体包括：确定k组超参数，根据基于高斯过程回归的贝叶斯优化方法得到每组超参数对应的备选高轨道卫星光压模型，k≥2；对得到的全部备选高轨道卫星光压模型进行交叉验证，评价每个备选高轨道卫星光压模型的性能；将性能符合预设条件的备选高轨道卫星光压模型作为超参数优化后的高轨道卫星光压模型。需要说明的是，对于每组参数，计算svm模型需要求解一个优化问题，需要很大的计算量。因此在优化超参数时采用贝叶斯优化方法，通过采用贝叶斯优化思想来降低超参数优化的计算负担，能够进一步提高其计算精度。贝叶斯优化方法旨在最小化一个标量函数f(x)，其中x位于一个有界区域内。这里的目标函数f(x)可以为确定函数或者是随机函数，x的分量可以为连续或者是离散变量。贝叶斯优化主要用于处理单次计算f(x)需要较高计算/经济成本的情况。为此，贝叶斯优化将f(x)建模为一个高斯过程，每次迭代旨在预测一个新的x*，使得f(x*)低于f(x)。同时，得到f(x*)的具体值后还将对上述高斯过程进行后验概率修正。预测新点的过程中采用一个采集函数a(x)(acquisitionfunction)用于实现局部和全局探索的权衡。具体的算法步骤如下：1.计算xi以及对应的yi＝f(xi)；2.更新高斯过程模型，得到新的后验概率q(f|xi，yi)3.通过最大化采集函数a(x)得到新点xi 1。4.重复1。贝叶斯优化主要取决于两个因素，其一目标函数值的高斯回归模型；其二为采集函数的形式。假设目标函数的先验分布为高斯分布，均值为μ(x，θ)，协方差核函数为k(x，x，θ)，这里θ为核函数的参数。不失一般性，先验的均值通常设为零，同时也考虑一定的观测噪声，即先验分布协方差为k(x，x′，θ) σ2i。采集函数结合目标函数的后验分布，用以描述新取值点的优劣程度。可以将新点选择为目标函数后验分布中均值最大处，称为“开发”；或者将新点选择为目标函数后验分布中方差最大处，称为“探索”。采集函数则是体现了这两者之间的平衡。常用的采集函数有：最大化改进的期望、最大化改进的概率、最小化最小置信边界等。高斯过程回归中，随机过程可以用一个随机变量簇{x(t，w)，t∈t}来表示。从这个随机变量簇中任意抽取有限个指标(如n个，t1，...tn)所得到的变量构成的向量若其联合分布为多维高斯分布，那么这个随机过程称为高斯过程。高斯过程回归是一类基于核函数的无参数模型，适于处理高维度、小样本和非线性等复杂回归问题。考虑训练集为：s＝{(xi，yi)，i＝1，2，…，n}回归的目的是得到函数关系y＝f(x)，在这里特指这一函数的分布：p(f|x，y)高斯过程假设p(f(x1），…，f(xn))的联合分布为高斯分布，均值和方差分别为：这里的k函数即为核函数。记上述高斯过程为：f(x)～gp(m(x)，k(x，x′))对于有限个观测值，可以定义联合高斯分布：p(f|x)＝n(f|μ，k)其中kij＝k(xi，xj)，μ＝[m(x1)，…，m(xn)]t。由于存在观测噪声，假设函数形式为：y＝f(x) ε首先需要观测值的协方差矩阵：cov(y|x)＝k σ2i这里σ是观测噪声的分布。进一步构建观测和预测的联合分布：可以得到后验的预测为：可见，从x到y涉及到中间变量f，即：f～n(0，k)y～n(f，σ2i)从x到y的过程为可以表示为p(y|x)～n(y|x，k σ2i)。参数旨在使得边缘似然函数最大化，即：这里的参数主要包括σ和核函数的参数。接下来可以采用共轭梯度法、牛顿法等优化方法对偏导数进行最大化以得到超参数的最优解。可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。如图3所示，为本发明基于机器学习的高轨道卫星光压模型辨识系统的实施例提供的结构框架图，该高轨道卫星光压模型辨识系统包括：获取单元1，用于获取确定的n个用于评价高轨道卫星光压的原始特征，n≥2；降维单元2，用于通过预设的非参数化的特征选择方法，对全部原始特征进行主特征分析，得到用于建模的m个主特征，m≤n；建模单元3，用于根据m个主特征构建学习集合，通过学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型；优化单元4，用于通过预设的优化方法对高轨道卫星光压模型的超参数进行优化；计算单元5，用于根据优化后的高轨道卫星光压模型计算高轨道卫星的光压信息。本实施例提供的基于机器学习的高轨道卫星光压模型辨识系统，适用于航天飞行中复杂的光压摄动力建模，降维单元2通过对原始特征进行降维处理，能够提高后续计算的效率，建模单元3通过机器学习算法进行数据拟合，优化单元4对超参数进行优化，能够根据不同卫星的数据生成有针对性的光压模型，应用面较广，短时内可很好处理高维数据集且精度较高，有效解决了机器学习算法计算精度提高与计算量需求增加之间的矛盾。可选地，在一些实施例中，降维单元2具体用于通过领域成分分析法对全部原始特征的高轨道卫星光压影响的权重进行分析，得到每个原始特征在预设方向上的光压摄动加速度的权重；根据每个原始特征在预设方向上的权重的大小确定用于建模的m个主特征。可选地，在一些实施例中，降维单元2具体用于对全部原始特征在预设方向上的权重进行归一化处理；分别将每个原始特征在第i个预设方向上的权重与第i个预设阈值进行比较；将每个预设方向上的权重均小于对应预设阈值的原始特征作为主特征。可选地，在一些实施例中，建模单元3具体用于将m个主特征作为输入，将光压加速度信息作为输出，获取预设数量的学习数据，将学习数据划分为训练集和验证集，得到学习集合，其中，学习数据包含主特征和光压加速度信息；通过训练集对支持向量机进行训练，得到高轨道卫星光压模型，并通过验证集进行验证。可选地，在一些实施例中，优化单元4具体用于确定k组超参数，根据基于高斯过程回归的贝叶斯优化方法得到每组超参数对应的备选高轨道卫星光压模型，k≥2；对得到的全部备选高轨道卫星光压模型进行交叉验证，评价每个备选高轨道卫星光压模型的性能；将性能符合预设条件的备选高轨道卫星光压模型作为超参数优化后的高轨道卫星光压模型。可以理解，在一些实施例中，可以包含如上述各实施例中的部分或全部可选实施方式。需要说明的是，上述各实施例是与在先方法实施例对应的产品实施例，对于产品实施例中各可选实施方式的说明可以参考上述各方法实施例中的对应说明，在此不再赘述。读者应理解，在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的方法实施例仅仅是示意性的，例如，步骤的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个步骤可以结合或者可以集成到另一个步骤，或一些特征可以忽略，或不执行。以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本
技术领域：
的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。当前第1页1 2 3
技术特征：1.一种基于机器学习的高轨道卫星光压模型辨识方法，其特征在于，包括：
确定n个用于评价高轨道卫星光压的原始特征，n≥2；
通过预设的非参数化的特征选择方法，对全部所述原始特征进行主特征分析，得到用于建模的m个主特征，m≤n；
根据m个所述主特征构建学习集合，通过所述学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型；
通过预设的优化方法对所述高轨道卫星光压模型的超参数进行优化；
根据优化后的所述高轨道卫星光压模型计算高轨道卫星的光压信息。
2.根据权利要求1所述的基于机器学习的高轨道卫星光压模型辨识方法，其特征在于，通过预设的非参数化的特征选择方法，对全部所述原始特征进行主特征分析，得到用于建模的m个主特征，具体包括：
通过领域成分分析法对全部所述原始特征的所述高轨道卫星光压影响的权重进行分析，得到每个所述原始特征在预设方向上的光压摄动加速度的权重；
根据每个所述原始特征在预设方向上的权重的大小确定用于建模的m个主特征。
3.根据权利要求2所述的基于机器学习的高轨道卫星光压模型辨识方法，其特征在于，根据每个所述原始特征在预设方向上的权重的大小确定用于建模的m个主特征，具体包括：
对全部所述原始特征在预设方向上的权重进行归一化处理；
分别将每个所述原始特征在第i个预设方向上的权重与第i个预设阈值进行比较；
将每个预设方向上的权重均小于对应预设阈值的原始特征作为主特征。
4.根据权利要求1至3中任一项所述的基于机器学习的高轨道卫星光压模型辨识方法，其特征在于，根据m个所述主特征构建学习集合，通过所述学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型，具体包括：
将m个所述主特征作为输入，将光压加速度信息作为输出，获取预设数量的学习数据，将所述学习数据划分为训练集和验证集，得到学习集合，其中，所述学习数据包含所述主特征和所述光压加速度信息；
通过所述训练集对支持向量机进行训练，得到高轨道卫星光压模型，并通过所述验证集进行验证。
5.根据权利要求1至3中任一项所述的基于机器学习的高轨道卫星光压模型辨识方法，其特征在于，通过预设的优化方法对所述高轨道卫星光压模型的超参数进行优化，具体包括：
确定k组超参数，根据基于高斯过程回归的贝叶斯优化方法得到每组超参数对应的备选高轨道卫星光压模型，k≥2；
对得到的全部备选高轨道卫星光压模型进行交叉验证，评价每个所述备选高轨道卫星光压模型的性能；
将性能符合预设条件的备选高轨道卫星光压模型作为超参数优化后的高轨道卫星光压模型。
6.一种基于机器学习的高轨道卫星光压模型辨识系统，其特征在于，包括：
获取单元，用于获取确定的n个用于评价高轨道卫星光压的原始特征，n≥2；
降维单元，用于通过预设的非参数化的特征选择方法，对全部所述原始特征进行主特征分析，得到用于建模的m个主特征，m≤n；
建模单元，用于根据m个所述主特征构建学习集合，通过所述学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型；
优化单元，用于通过预设的优化方法对所述高轨道卫星光压模型的超参数进行优化；
计算单元，用于根据优化后的所述高轨道卫星光压模型计算高轨道卫星的光压信息。
7.根据权利要求6所述的基于机器学习的高轨道卫星光压模型辨识系统，其特征在于，所述降维单元具体用于通过领域成分分析法对全部所述原始特征的所述高轨道卫星光压影响的权重进行分析，得到每个所述原始特征在预设方向上的光压摄动加速度的权重；根据每个所述原始特征在预设方向上的权重的大小确定用于建模的m个主特征。
8.根据权利要求7所述的基于机器学习的高轨道卫星光压模型辨识系统，其特征在于，所述降维单元具体用于对全部所述原始特征在预设方向上的权重进行归一化处理；分别将每个所述原始特征在第i个预设方向上的权重与第i个预设阈值进行比较；将每个预设方向上的权重均小于对应预设阈值的原始特征作为主特征。
9.根据权利要求6至8中任一项所述的基于机器学习的高轨道卫星光压模型辨识系统，其特征在于，所述建模单元具体用于将m个所述主特征作为输入，将光压加速度信息作为输出，获取预设数量的学习数据，将所述学习数据划分为训练集和验证集，得到学习集合，其中，所述学习数据包含所述主特征和所述光压加速度信息；通过所述训练集对支持向量机进行训练，得到高轨道卫星光压模型，并通过所述验证集进行验证。
10.根据权利要求6至8中任一项所述的基于机器学习的高轨道卫星光压模型辨识系统，其特征在于，所述优化单元具体用于确定k组超参数，根据基于高斯过程回归的贝叶斯优化方法得到每组超参数对应的备选高轨道卫星光压模型，k≥2；对得到的全部备选高轨道卫星光压模型进行交叉验证，评价每个所述备选高轨道卫星光压模型的性能；将性能符合预设条件的备选高轨道卫星光压模型作为超参数优化后的高轨道卫星光压模型。
技术总结本发明公开了基于机器学习的高轨道卫星光压模型辨识方法及系统，涉及航空航天领域。该方法包括：确定原始特征；对全部原始特征进行主特征分析，得到用于建模的特征；根据主特征构建学习集合，通过学习集合对预设的机器学习算法进行学习，得到高轨道卫星光压模型；对高轨道卫星光压模型的超参数进行优化；根据优化后的高轨道卫星光压模型计算高轨道卫星的光压信息。本发明适用于航天飞行中复杂的光压摄动力建模，能够提高后续计算的效率，根据不同卫星的数据生成有针对性的光压模型，应用面较广，短时内可很好处理高维数据集且精度较高，有效解决了机器学习算法计算精度提高与计算量需求增加之间的矛盾。
技术研发人员：张皓;王文彬;石恒
受保护的技术使用者：中国科学院空间应用工程与技术中心
技术研发日：2020.01.16
技术公布日：2020.06.09
