一种基于机器学习的雷达测量精度补偿方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114252871A(43)申请公布日2022.03.29(21)申请号202111514264.5(22)申请日2021.12.13(71)申请人中国西安卫星测控中心地址710043陕西省西安市咸宁东路462号(72)发明人崔瑞飞杨升高姜宇陈建荣胡斯惠李强张日伟田超杨旭刘永杰(74)专利代理机构西北工业大学专利中心61204代理人顾潮琪(51)Int.Cl.G01S7/497(2006.01)G01S7/41(2006.01)G06N20/00(2019.01)权利要求书1页说明书9页附图2页(54)发明名称一种基于机器学习的雷达测量精度补偿方法(57)摘要本发明提供了一种基于机器学习的雷达探测精度补偿方法，采集设定时长内的空间环境特征参数、时空特征参数以及雷达探测剩余误差数据构建数据集，采用异常值剔除和数据下采样技术对得到的数据进行预处理；构建基于机器学习的雷达探测精度补偿模型；从雷达探测数据中解算目标方位角、测量时段、星下点经纬度、目标高度；从互联网下载提取雷达探测时刻空间环境参数；将提取的数据输入到构建的雷达探测精度补偿模型中，得到精度补偿后雷达探测数据。本发明在电波环境折射修正基础上，进一步补偿雷达探测精度，补偿电波折射修正模型时空特性局限性、雷达系统误差等造成的探测精度的损失，提升雷达探测精度。CN114252871ACN114252871A权利要求书1/1页1.一种基于机器学习的雷达探测精度补偿方法，其特征在于，包括以下步骤：(1)采集设定时长内的空间环境特征参数、时空特征参数以及雷达探测剩余误差数据构建数据集，记为(x1，x2，x3，x4，x5，x6，x7，x8，x9，error)，其中，x1表示太阳10.7厘米射电流量，x2表示地磁指数，x3表示太阳X射线波段辐射流量，x4表示雷达站电离层垂直电子浓度总含量，x5表示测量时刻所对应的小时，x6表示雷达测量方位角，x7表示目标纬度，x8表示目标经度，x9表示目标轨道高度，error表示雷达探测剩余误差；(2)采用异常值剔除和数据下采样技术对步骤(1)得到的数据进行预处理；(3)基于步骤(2)预处理后的数据集，将x1‑x9作为输入，error作为输出，构建基于机器学习的雷达探测精度补偿模型；(4)从雷达探测数据中解算目标方位角、测量时段、星下点经纬度、目标高度；从互联网下载提取雷达探测时刻空间环境参数；将提取的数据输入到构建的雷达探测精度补偿模型中，得到精度补偿后雷达探测数据。2.根据权利要求1所述的基于机器学习的雷达探测精度补偿方法，其特征在于，所述步骤(1)中的数据集包括至少1年的空间环境特征参数、时空特征参数以及雷达探测剩余误差数据。3.根据权利要求1所述的基于机器学习的雷达探测精度补偿方法，其特征在于，所述步骤(1)获取雷达探测的目标位置及探测弧段对应的目标精轨数据；采用6阶拉格朗日插值法计算雷达探测时刻目标的真实位置；雷达探测时刻目标真实位置由地固直角坐标系转换为测站极坐标系，得到空间特征参数x7‑x9；通过雷达探测数据与目标真实位置作插值得到雷达探测剩余误差error。4.根据权利要求1所述的基于机器学习的雷达探测精度补偿方法，其特征在于，所述的步骤(2)包括以下步骤：a.剔除持续时间小于30秒的所有弧段，在剩余弧段中取第一个作为当前弧段；b.剔除当前弧段的前30秒测量数据；c.判断当前测量段剩余测量值是否大于50个点；d.若是，在所有剩余测量值里面随机抽取50个点加入训练集；若否，将该弧段所有剩余测量值加入训练集；e.将下一弧段设置为当前弧段，重复步骤b‑d，直到所有弧段都处理完毕。5.根据权利要求1所述的基于机器学习的雷达探测精度补偿方法，其特征在于，所述的步骤(3)采用交叉验证的方式依次运用各个机器学习回归模型解决当前问题，选择其中表现最好的作为后续模型f；雷达测量精度补偿方法为其中，表示雷达测量数据，y表示雷达最终输出。6.根据权利要求5所述的基于机器学习的雷达探测精度补偿方法，其特征在于，所述的机器学习回归模型包括线性回归、岭回归、Lasso回归、最小角回归、TheilSen回归、Huber回归、决策树、随机森林、极端随机树、梯度提升回归、极端梯度提升、轻量梯度提升、支持向量机、K最近邻和多层感知机模型。2CN114252871A说明书1/9页一种基于机器学习的雷达测量精度补偿方法技术领域[0001]本发明属于空间目标探测领域，涉及一种雷达测量精度补偿方法。背景技术[0002]雷达在探测目标时，其信号须穿越电离层传播，受电离层电子密度不均匀性影响，雷达测距、测角会产生折射误差。通常，电离层扰动引起的折射误差可达几十至几百米，成为影响雷达探测精度的主要误差源。当发生影