利用预报误差分布拟合实现卫星历史轨道机动检测的方法

发布时间：2021-07-12 05:33

　　轨道机动会引起在轨卫星的轨道异常,是空间态势感知的重点关注对象之一。为此,提出一种从卫星的两行轨道要素编目数据中检测历史机动的方法。通过分析预报误差检测轨道参数的异常编目值,进而获得相应的历史机动信息。对卫星的两行轨道要素编目数据两两预报求差得到预报误差的样本数据后,利用期望最大化算法可以拟合得到以高斯混合模型表达的预报误差的概率分布模型;以此为基础,可以确定利用预报误差检测轨道参数异常编目值的门限;利用轨道机动与异常编目值之间的对应关系,最终实现机动检测。对典型活动卫星的机动检测结果表明,所提方法能够在准确检出历史机动事件的同时保持较低的误检率。 

【文章来源】：国防科技大学学报. 2020,42(02)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

生成预报误差样本数据的示意图

但是,考虑到预报误差的真实分布,即拟合得到的概率分布函数frk(Δa)并不一定满足高斯分布,因此直接应用n-σ法则进行异常值检测并不合适。这里参照n-σ法则提出一种改进的异常值检测法则,并命名为n-P法则,如图2所示。n-P法则将超出区间[lbn,ubn]的数据视作异常值,类似地,n=1、2、3依次对应P1=0.682 7、P2=0.954 5、P3=0.997 3。区间[lbn,ubn]则根据概率Pn及拟合得到的概率密度函数frk(Δa)计算得到。记与frk(Δa)对应的累积概率分布函数为Frk,则lbn和ubn的计算公式如下

以27424号卫星为例对机动检测的详细过程说明如下。利用2003年1月1日至2016年12月31日的历史TLE数据,共得到128925个轨道参数预报误差数据。这些数据按照其对应的预报时间被分成196个数据组。图3给出了典型数据组的柱状图。随后,这些预报误差数据组被用于拟合得到分别由高斯混合模型及高斯模型表示的概率分布模型,它们构成了轨道参数异常值检测的基础。对前述数据组拟合得到的概率密度函数如图4所示。

【参考文献】：
期刊论文
[1]基于预报偏差的LEO航天器轨道异常检测[J]. 张涛涛,白显宗,郝嘉,陈磊.  中国空间科学技术. 2012(05)
[2]利用TLE数据分析LEO卫星轨道异常的新方法——综合判据法[J]. 杨旭,刘静,吴相彬,王荣兰,于友成,王人冬,张耀,李大卫.  空间科学学报. 2011(02)



本文编号：3279311