軌道機動會引起在軌衛(wèi)星的軌道異常,是空間態(tài)勢感知的重點關注對象之一。為此,提出一種從衛(wèi)星的兩行軌道要素編目數(shù)據(jù)中檢測歷史機動的方法。通過分析預報誤差檢測軌道參數(shù)的異常編目值,進而獲得相應的歷史機動信息。對衛(wèi)星的兩行軌道要素編目數(shù)據(jù)兩兩預報求差得到預報誤差的樣本數(shù)據(jù)后,利用期望最大化算法可以擬合得到以高斯混合模型表達的預報誤差的概率分布模型;以此為基礎,可以確定利用預報誤差檢測軌道參數(shù)異常編目值的門限;利用軌道機動與異常編目值之間的對應關系,最終實現(xiàn)機動檢測。對典型活動衛(wèi)星的機動檢測結果表明,所提方法能夠在準確檢出歷史機動事件的同時保持較低的誤檢率。 

【文章來源】：國防科技大學學報. 2020,42(02)北大核心EICSCD

【文章頁數(shù)】：7 頁

【部分圖文】：

生成預報誤差樣本數(shù)據(jù)的示意圖

但是,考慮到預報誤差的真實分布,即擬合得到的概率分布函數(shù)frk(Δa)并不一定滿足高斯分布,因此直接應用n-σ法則進行異常值檢測并不合適。這里參照n-σ法則提出一種改進的異常值檢測法則,并命名為n-P法則,如圖2所示。n-P法則將超出區(qū)間[lbn,ubn]的數(shù)據(jù)視作異常值,類似地,n=1、2、3依次對應P1=0.682 7、P2=0.954 5、P3=0.997 3。區(qū)間[lbn,ubn]則根據(jù)概率Pn及擬合得到的概率密度函數(shù)frk(Δa)計算得到。記與frk(Δa)對應的累積概率分布函數(shù)為Frk,則lbn和ubn的計算公式如下

以27424號衛(wèi)星為例對機動檢測的詳細過程說明如下。利用2003年1月1日至2016年12月31日的歷史TLE數(shù)據(jù),共得到128925個軌道參數(shù)預報誤差數(shù)據(jù)。這些數(shù)據(jù)按照其對應的預報時間被分成196個數(shù)據(jù)組。圖3給出了典型數(shù)據(jù)組的柱狀圖。隨后,這些預報誤差數(shù)據(jù)組被用于擬合得到分別由高斯混合模型及高斯模型表示的概率分布模型,它們構成了軌道參數(shù)異常值檢測的基礎。對前述數(shù)據(jù)組擬合得到的概率密度函數(shù)如圖4所示。

【參考文獻】：
期刊論文
[1]基于預報偏差的LEO航天器軌道異常檢測[J]. 張濤濤,白顯宗,郝嘉,陳磊.  中國空間科學技術. 2012(05)
[2]利用TLE數(shù)據(jù)分析LEO衛(wèi)星軌道異常的新方法——綜合判據(jù)法[J]. 楊旭,劉靜,吳相彬,王榮蘭,于友成,王人冬,張耀,李大衛(wèi).  空間科學學報. 2011(02)



本文編號：3279311