没有合适的资源?快使用搜索试试~ 我知道了~
基于LSTM神经网络的热层大气密度模型校正.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 177 浏览量
2023-02-23
20:36:16
上传
评论
收藏 845KB DOCX 举报
温馨提示
![preview](https://dl-preview.csdnimg.cn/87489173/0001-89b26c444cd4a4b8ff0471e3272678b4_thumbnail-wide.jpeg)
![preview-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/scale.ab9e0183.png)
试读
11页
基于LSTM神经网络的热层大气密度模型校正.docx
资源推荐
资源详情
资源评论
![thumb](https://img-home.csdnimg.cn/images/20210720083646.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![thumb](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/release/download_crawler_static/87489173/bg1.jpg)
摘要
目前,主要用经验模型进行热层大气密度建模和预测,但存在较大误差,因此提出一种基于长短期
记 忆 神 经 网 络 的 热 层 大 气 密 度 模 型 校 正 方 法 , 以 减 少 经 验 模 型 计 算 的 密 度 误 差 。 该 方 法 将
NRLMSISE-00 模型计算的密度、太阳和地磁活动指数作为基础输入,以 CHAMP 卫星的加速度计
密度数据为目标值,获得 NRLMSISE-00 的模型误差。结果表明,校正后模型的精度显著优于原
始模型的精度。
Abstract
At present, empirical models are widely used in modeling and prediction of the
thermosphere atmospheric density, but they suffer from large modeling errors.
Therefore, we propose a calibration method of thermosphere atmospheric density
model based on long short-term memory neural networks to reduce the density
error of empirical models. Taking the density calculated by NRLMSISE-00 model,
solar and geomagnetic activity index as the base inputs, the accelerometer data of
CHAMP satellite as the target values, the NRLMSISE-00 density errors are obtained
by this model. The results demonstrate that the calibrated density model is
significantly more accurate than the original one.
译
关键词
长短期记忆(long short-term memory,LSTM); 热层大气密度; 模型校正; NRLMSISE-00
Keywords
long short-term memory(LSTM); thermosphere atmospheric density; model
calibration; NRLMSISE-00
译
大气阻力是作用在低轨道卫星上的最大的非引力摄动
[ 1]
。这种摄动是卫星与大气层之间能量和动
量交换的结果
[ 2]
。热层质量密度的不准确建模会导致大气阻力计算值的不确定性。建立精确的大
气密度模型对低轨卫星的高精度轨道确定和预报、卫星飞行任务的精准规划,以及可靠的碰撞规避
有着重要意义。
目前 ,绝大部分 大气密度模 型为经验模 型,包括 MSIS( mass spectrometer and incoherent
scatter)系列
[ 3]
、Jacchia-Bowman 系列
[ 4]
和 DTM(drag temperature model)系列
[ 5]
等。
模型系数根据卫星、火箭和雷达等观测数据确定,最新模型还加入了利用 CHAMP、GRACE 等卫
星的高分辨率加速度计数据反演的密度数据。但这些模型的误差仍有 15%~30%,在空间环境高
度扰动期间,由于太阳耀斑、地磁风暴等强活动,误差可能更大
[ 6]
。
因此,对现有模型进行改进以提高模型精度是近年的一个研究重点,其中一个有效手段是利用实测
的轨道测量和密度数据进行模型校正。美国空军的高精度卫星阻力模型(high accuracy satellite
drag model,HASDM)利用美国空间监测网(Space Surveillance Network,SSN)的 75 颗
卫星的雷达跟踪数据校正 Jacchia-70 模型,在 200~800 km 的高度区间将密度模型误差降低至
![](https://csdnimg.cn/release/download_crawler_static/87489173/bg2.jpg)
6%~8%
[ 7, 8 ]
。有学者提出了一种使用两行轨道根数(two-line element,TLE)数据校正热层
密度的方法
[ 9, 10]
,但其受限于 TLE 数据的时间分辨率和精度。此外,还有人将航天器的精确轨道
(precise orbit determination,POD)数据作为观测值校正轨道沿线经验大气密度模型
[ 11, 12 ]
。
这些方法均基于大气阻力与轨道变化之间的物理关系计算,其有效性不仅受数据质量和分布的影响,
还与方法的基本假设是否合理有关。
人们已经将机器学习方法应用于空间天气领域。Pérez 等
[ 13]
提出了利用前馈时延神经网络(feed-
forward time delay neural network,FTDNN)和循环时延神经网络(recurrent time delay
neural network,RTDNN)两种神经网络模型预测航天器沿其轨道的大气密度的方法,并用于经
验模型校正
[ 14]
,改进了传统经验模型的精度。Gao 等
[ 15]
使用机器学习中的高斯方法对 NRLMSISE-
00 和 JB2008 模型进行校正,提出了一个基于经验模型、空间环境条件和卫星测量数据的大气密
度估计框架。
本文提出一种基于长短期记忆(long short-term memory,LSTM)神经网络
[ 16]
的热层大气密
度校正方法,以 NRLMSISE-00 模型计算的密度、太阳和地磁活动指数作为基础输入,利用 CHAMP
卫星加速度计反演的密度数据训练确定 NRLMSISE-00 密度的误差模型。并以 CHAMP 卫星 2007
年 1 月的密度数据为训练集和验证集,利用该卫星 1 个月及 1 年的数据进行测试,以考察校正后
模型的长期校正性能及太阳和地磁活动较活跃期和平静期的校正性能。
1 模型
1)NRLMSISE-00。该模型利用由卫星加速度计和轨道数据反演得到的总质量密度、氧分子密度
数据、1981—1997 年非相干散射雷达的温度数据建模
[ 4]
。NRLMSISE-00 的输入包括年、年积
日(day-of-year,DOY)、一天中的时间、大地高度、大地纬度和经度、当地太阳时、太阳通量
F10.7及其 81 天平均值 F10.7A、地磁指数 Ap,输出包括大气温度和密度。本文将 NRLMSISE-00
计算的大气密度和 F10.7、Ap指数作为基础输入。
2)LSTM。其最早由 Hochreiter 等
[ 16]
提出,通过引进输入门和输出门控制机制解决递归神经网
络中的梯度消失和爆炸问题
[ 17]
。之后学者们又改进了原始模型,引入遗忘门和窥探孔连接等部分,
进一步完善了 LSTM 对长序列的处理能力。LSTM 通过输入门、输出门、遗忘门 3 个门控实现信息
存储和更新。网络前向计算过程如下:
it=σ(Wxixi+Whihi−1+Wcict−1+bi)it=σ(Wxixi+Whihi-1+Wcict-1+bi)
(1)
ft=σ(Wxfxi+Whfhi−1+Wcfct−1+bf)ft=σ(Wxfxi+Whfhi-1+Wcfct-1+bf)
(2)
ct=ftct−1+ittanh(Wxcxt+Whcht−1+bi)ct=ftct-1+ittanh(Wxcxt+Whcht-1+bi)
(3)
ot=σ(Wxoxi+Whohi−1+Wcoct−1+bo)ot=σ(Wxoxi+Whohi-1+Wcoct-1+bo)
(4)
ht=ottanh(ct)ht=ottanh(ct)
(5)
![](https://csdnimg.cn/release/download_crawler_static/87489173/bg3.jpg)
式中,x 代表输入层数据;it、ot、ft 分别表示当前时刻 t的输入门、输出门和遗忘门;ct 表示当前
细胞状态;W表示对应的权重系数矩阵,如 Wxi表示输入层到输入门之间的权重系数矩阵;b为
偏置项;σ和 tanh是 LSTM 常用的两种激活函数;ht表示当前输出值。
本文所使用的输入和输出值计算如下:
lg(ρˆ(t))=f⎛⎝⎜⎜⎜⎜lg(ρM(t)),…,lg(ρM(t−TMts))F10.7(t),…,F10.7(t−TMts)F10.7A(t),…,F10.7A(t−
TMts)Ap(t),…,Ap(t−TMts)⎞⎠⎟⎟⎟⎟lg(ρ(t))=flg(ρM(t)),…,lg(ρM(t-TMts))F10.7(t),…,F10.
7(t-TMts)F10.7A(t),…,F10.7A(t-TMts)Ap(t),…,Ap(t-TMts)
(6)
式中,lg(ρˆ(t))表示改正后的密度数据(神经网络的输出);ρM是由 NRLMSISE-00 经验模型估
计得到的密度;f 表示 LSTM 网络代表的非线性函数;t表示校正的时刻;TM表示 LSTM 网络的步
长参数,代表网络的延迟量;ts 表示数据采样间隔。
2 数据和方法
2.1 数据描述
CHAMP 卫星
[ 18]
搭载了高精度加速度计,可提供高时间分辨率的准确密度值。CHAMP 卫星加速度
计反演的密度数据被广泛应用于验证经验模型和物理模型
[ 13]
。本文将由加速度计数据反演得到的
密度作为“真实”值,所使用的 CHAMP 卫星密度数据来自文献[19]。对于数据中的缺失部分,采
用插值处理使其连续。大气密度的数值一般比较小(10−12~10−13 kg/m3),故本文对大气密度
值进行 lg 对数处理,以避免数据量级对处理结果的影响。
太阳和地磁活动对热层大气密度有着显著影响。本文选取 F10.7、F10.7A、Ap 作为模型的外部环境
参数。F10.7及 F10.7A用于描述太阳活动,Ap指数是地磁活动的有效代表。NRLMSISE-00 模型
也使用这些指数。采用插值方法保证这些环境参数和密度数据的时间分辨率一致。
2.2 方法
本文 利用 2007-01-01—2007-01-28 的 CHAMP 卫星密度 数据 进行训练/验证 ,其 中 70%的 数
据作为训练集,30%的数据作为测试集,这些数据随机选取,以保证模型的学习和泛化能力。
为了确定合适的 TM及 ts,本文使用 2007 年 1 月 31 日的数据作为验证集,分别改变时延值和采
样间隔,评估模型在测试集的校正效果,该时间记为 T1;分别以 2007‐02‐01—2007‐02‐28
和 2007‐03‐01—2008‐02‐29 的数据为测试集,测试本文方法在较长时间内的模型校正能
力,两时间 段 分 别 记 为 T2 和 T3。 此外,本文选 取 了 2007 年 第 30 天 (DOY30)和第 231 天
(DOY231)分别作为太阳/地磁活动较活跃期和平静期(相对于测试集其他天)的代表,考察模
型在不 同环境 条件下 的校正性 能,两 时间分别 记为 T4-DOY30 和 T4-DOY231,文 献[14,15]
同样使用了这两天进行研究。图 1 和表 1 展示了训练、验证、测试期间的太阳和地磁活动变化。
剩余10页未读,继续阅读
资源评论
![avatar-default](https://csdnimg.cn/release/downloadcmsfe/public/img/lazyLogo2.1882d7f4.png)
![avatar](https://profile-avatar.csdnimg.cn/3f07197aad004e4fa57ac5a008eb6aaf_weixin_57147647.jpg!1)
罗伯特之技术屋
- 粉丝: 3907
- 资源: 1万+
![benefits](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-1.c8e153b4.png)
下载权益
![privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-2.ec46750a.png)
C知道特权
![article](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-3.fc5e5fb6.png)
VIP文章
![course-privilege](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-4.320a6894.png)
课程特权
![rights](https://csdnimg.cn/release/downloadcmsfe/public/img/vip-rights-icon.fe0226a8.png)
开通VIP
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![voice](https://csdnimg.cn/release/downloadcmsfe/public/img/voice.245cc511.png)
![center-task](https://csdnimg.cn/release/downloadcmsfe/public/img/center-task.c2eda91a.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![dialog-icon](https://csdnimg.cn/release/downloadcmsfe/public/img/green-success.6a4acb44.png)