買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉杭州電子科技大學(xué);北京航空航天大學(xué);賽思倍斯(紹興)智能科技有限公司申請的專利一種面向微小空間目標(biāo)軌道的混合預(yù)報方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN120354177B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-09-26發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510839017.4，技術(shù)領(lǐng)域涉及：G06F18/24；該發(fā)明授權(quán)一種面向微小空間目標(biāo)軌道的混合預(yù)報方法是由徐明;胡佳;白雪;高旭東;王茜;陳曦;陳昭岳;郭世亮設(shè)計研發(fā)完成，并于2025-06-23向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種面向微小空間目標(biāo)軌道的混合預(yù)報方法在說明書摘要公布了：本發(fā)明公開了一種面向微小空間目標(biāo)軌道的混合預(yù)報方法，包括如下步驟：步驟1、構(gòu)建軌道預(yù)報誤差數(shù)據(jù)集；步驟2、對軌道預(yù)報誤差數(shù)據(jù)集中的原始特征數(shù)據(jù)進行歸一化處理；步驟3、構(gòu)建并訓(xùn)練誤差預(yù)測模型；步驟4、將訓(xùn)練集設(shè)置為步長為5的時間序列數(shù)據(jù)集；步驟5、將時間序列數(shù)據(jù)集作為輸入通過GRU神經(jīng)網(wǎng)絡(luò)提取時間序列特征；步驟6、將GRU神經(jīng)網(wǎng)絡(luò)提取的時間序列特征和原始數(shù)據(jù)特征進行結(jié)合，并輸入至XGBoost回歸模型中輸出預(yù)測結(jié)果。該方法使用先進的機器學(xué)習(xí)方法，挖掘其軌道誤差模式，以修正預(yù)報軌道，將物理可解釋性和靈活性進行結(jié)合，提高泛化能力，減少人工干預(yù)，準(zhǔn)確度高。

本發(fā)明授權(quán)一種面向微小空間目標(biāo)軌道的混合預(yù)報方法在權(quán)利要求書中公布了：1.一種面向微小空間目標(biāo)軌道的混合預(yù)報方法，其特征在于，包括如下步驟： 步驟1、構(gòu)建軌道預(yù)報誤差數(shù)據(jù)集； 包括如下子步驟： 步驟1.1、獲取多源數(shù)據(jù)，所述多源數(shù)據(jù)包括高精度雷達數(shù)據(jù)、激光測距數(shù)據(jù)、光學(xué)望遠(yuǎn)鏡圖像和衛(wèi)星載荷探測數(shù)據(jù)； 步驟1.2、多源數(shù)據(jù)預(yù)處理； 步驟1.3、將多源數(shù)據(jù)融合得到的軌道數(shù)據(jù)作為狀態(tài)向量的近似值，從而計算出TLE數(shù)據(jù)的OP誤差，計算方法如下： 其中，XTLEt；t0的真實誤差，是真實的基于TLE的OP誤差；所述多源數(shù)據(jù)融合方法為通過卡爾曼濾波進行數(shù)據(jù)融合；所述融合后的多源數(shù)據(jù)包括軌道的傳播時間、ECEF坐標(biāo)系下的x、y、z坐標(biāo)預(yù)測值、速度預(yù)測值和位置誤差； 步驟2、對軌道預(yù)報誤差數(shù)據(jù)集中的原始特征數(shù)據(jù)進行歸一化處理，并將歸一化處理后的數(shù)據(jù)集按比例劃分為訓(xùn)練集和測試集； 步驟3、構(gòu)建并訓(xùn)練誤差預(yù)測模型，所述誤差預(yù)測模型包括GRU神經(jīng)網(wǎng)絡(luò)和XGBoost回歸模型；所述GRU神經(jīng)網(wǎng)絡(luò)包括兩個GRU層、兩個Dropout層以及最后一層的全連接層，所述全連接層使用線性激活函數(shù)，所述GRU神經(jīng)網(wǎng)絡(luò)中引入L2正則化； 所述誤差預(yù)測模型的訓(xùn)練方法： 所述GRU神經(jīng)網(wǎng)絡(luò)使用adam優(yōu)化器和均方誤差損失函數(shù)進行編譯； 所述XGBoost回歸模型，通過隨機搜索從指定的參數(shù)分布中隨機選取參數(shù)組合，進行指定次數(shù)的迭代，每次迭代中使用不同的參數(shù)組合來訓(xùn)練模型，并基于交叉驗證的結(jié)果選擇最佳的參數(shù)，該參數(shù)包括最大深度、學(xué)習(xí)率、子樣本比例和L1正則項、L2正則項； 步驟4、將訓(xùn)練集設(shè)置為步長為5的時間序列數(shù)據(jù)集； 步驟5、將時間序列數(shù)據(jù)集作為輸入通過GRU神經(jīng)網(wǎng)絡(luò)提取時間序列特征； 步驟6、將GRU神經(jīng)網(wǎng)絡(luò)提取的時間序列特征和原始數(shù)據(jù)特征進行結(jié)合，并輸入至XGBoost回歸模型中輸出預(yù)測結(jié)果。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人杭州電子科技大學(xué);北京航空航天大學(xué);賽思倍斯(紹興)智能科技有限公司，其通訊地址為：310018 浙江省杭州市錢塘區(qū)白楊街道2號大街1158號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。