基于LSTM神经网络的轨道预报算法研究 韩雨恒.pdf

-88 - 科学技术创新
基于 LSTM 神经网络的轨道预报算法研究
和遗忘门都采用 tanh 函数。
用的星上计算资源有限，很适合用于星上自主轨道预
报。神经网络是数据驱动而非传统的模型驱动，它不需
要了解卫星运动的物理意义，只需要卫星以前的星历数
据，在训练完成后，网络往往只需要有限的数据就能做
出准确度很高的预测结果，理论上能够提升当前的预报
精度。所以，本文中基于神经网络的轨道预报算法的研
究是有重要的理论和使用意义的。
1 LSTM 神经网络基本结构 图 1 LSTM 神经网络隐藏层示意图
作者简介：韩雨恒（1997-），男，汉族，四川成都人，硕士研究生，主要研究领域：应用深度学习，轨道预报。 科学技术创新 -89 -
2 基于 LSTM 的轨道预报算法建模 变化范围和其均值各不相同，为了让他们具有同样的尺
基于 LSTM 的轨道预报算法基本结构 度，使用式(3)对误差数据进行标准化处理。
基于 LSTM 神经网络的轨道预报模型主要由两部分 x- x
x = mean
组成，分别是 Brouwer 平根数理论的解析模型和 LSTM xstd (3)
神经网络的误差修正部分，为了利用 LSTM 神经网络对 3 仿真实例
于时间序列数据很好预测能力，LSTM 神经网络的输入 为了更好的判断网络对误差数据的修正效果，引入
使用开普勒轨道六根数的时间序列数据。模型基本结构 残差率 Pml（α） 来量化 NARX 神经网络的误差修正能
如图 2。 力，其表达式如下
eÁ Â Ã Á Á
Pml(α)=∑ Ä × 100%