一种基于扫动方式的星上链路识别电离层异常事件优化方法与流程

1.本发明属于星载电离层感知和识别领域，特别涉及该领域中的一种基于星上链路数据识别电离层异常事件的优化方法。

背景技术：

2.当今人类社会正在进入空间时代和数字时代相互交汇发展的历史新纪元。通信卫星也进入了高质量数字化和智能化发展的黄金期。作为一个有机智能系统，通信卫星的“大脑”应包括智能的感知系统、识别系统和行为系统。其中，卫星通信环境效应模型是卫星大脑智能识别系统中的一个重要基础部分。大量观测和研究表明，各种各样的电离层异常现象(事件)能影响多个波段的通信质量。

技术实现要素：

3.本发明所要解决的技术问题就是提供一种基于扫动方式的星上链路识别电离层异常事件优化方法。
4.本发明采用如下技术方案：
5.一种基于扫动方式的星上链路识别电离层异常事件优化方法，其改进之处在于，包括如下步骤：
6.步骤1，获取接收机和gnss卫星参数，基于链路几何构型求解链路扫动速度：
7.获取接收机位置，记为r，接收机位置就是接收机所在卫星位置；获取gnss卫星位置，记为g；
8.基于gnss卫星位置g和接收机位置r，建立链路l，链路l从gnss卫星位置g指向接收机位置r；
9.获取接收机速度，方向指向卫星轨道的切线方向，记为vr；
10.上述gnss卫星位置和接收机速度通过两行星历、广播星历和精确星历方式获取；
11.基于链路l的几何构型，由接收机速度vr求解链路的扫动速度：
12.接收机速度vr沿着链路l方向的分量记为vo，接收机速度vr垂直于链路l方向的分量记为vn，根据几何关系，有：
[0013][0014]
记电离层异常事件的位置为p，电离层异常事件p处的链路扫动速度为v
p
，根据几何关系，得到链路扫动速度v
p
的求解式：
[0015][0016]
由于链路扫动速度v
p
是随时间变化的，故有v
p
＝v
p
(i)，i为序号；
[0017]
对于接收机在低轨卫星上的情况，进一步简化链路扫动速度的求解式(2)：
[0018]
依据gnss卫星的实际高度，得到gp≈20000km；依据接收机所在低轨卫星的高度和电离层异常事件的高度，得到pr＝[0，2000km]；
[0019]
由于pr《《gp，因此将链路扫动速度的求解式(2)简化为：
[0020][0021]
步骤2，利用接收机测量得到链路数据，基于链路扫动速度对链路数据做修正：
[0022]
由于接收机测量链路的数据是随时间变化的，因此得到的是接收机测量的链路数据序列，记为s(i)，i为序号，同时记录链路数据序列的时刻，记为t(i)，i为序号；
[0023]
基于链路扫动速度v
p
(i)，由链路数据序列s(i)求解链路数据在链路扫动方向上的空间梯度，获得修正后的链路数据δs(i)，有：
[0024][0025]
要求链路扫动速度v
p
(i)不小于链路扫动速度阈值v
th
，阈值v
th
根据经验设定，典型值为2000m/s；
[0026]
步骤3，建立电离层异常事件的识别方法，基于修正后的链路数据识别电离层异常事件：
[0027]
基于修正后的链路数据，建立识别电离层异常事件的神经网络输入样本，依据神经网络的输入样本，相应地建立神经网络的目标样本，对于有电离层异常事件的输入样本，目标样本取值为y，对于无电离层异常事件的输入样本，目标样本取值为n，设定输入层节点数和隐含层节点数；
[0028]
基于输入样本和目标样本，以及输入层节点数和隐含层节点数，开展神经网络训练，获得训练后的神经网络f
nn
，
[0029]
利用神经网络f
nn
进行电离层异常事件的识别，具体方法为：
[0030]
建立待识别样本，其包含的数据个数应与输入层节点数一致，将待识别样本输入神经网络f
nn
中，若输出结果为y，则表示识别结果为有电离层异常事件，若输出结果为n，则表示识别结果为无电离层异常事件。
[0031]
进一步的，电离层异常事件包括突发e层、等离子体泡、等离子体块、f层不规则体、电离层突然骚扰、质子暴和极盖吸收事件、电离层暴、电离层行进式扰动、赤道异常、晨昏交接区和航天活动。
[0032]
进一步的，在步骤3中，输入样本数取值在1000以上，输入层节点数为120，隐含层设置为两层，第一层隐含层节点数h1＝30，第二层隐含层节点数h2＝10；利用神经网络开展训练，训练样本占比70％。
[0033]
本发明的有益效果是：
[0034]
本发明所公开的优化方法，基于链路扫动方式对有效链路数据做修正，针对特定应用场景下识别方法给出了更合理的物理原理，进而对电离层异常事件的识别方法进行优化，具有提升识别能力的有益效果。
[0035]
本发明所公开的优化方法，通过对识别方法的修正优化，更准确地识别电离层异常事件，具有提升通信卫星对环境效应的识别能力，支撑卫星大脑行为系统做决策的有益
效果，对卫星通信保障具有重要意义。
附图说明
[0036]
图1是本发明优化方法的流程示意图；
[0037]
图2是用于求解链路扫动速度的链路构型示意图；
[0038]
图3是链路扫动速度随时间的变化结果图；
[0039]
图4是修正后的链路数据结果图；
[0040]
图5是识别电离层异常事件的神经网络结构图；
[0041]
图6是一次识别结果的混淆矩阵图。
具体实施方式
[0042]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0043]
为了保证卫星大脑的行为系统能及时和准确地做出决定，就有必要实现电离层异常事件的全景感知和动态(实时)识别。电离层作为一个庞大和复杂的地球大气圈层系统，其内部经常会出现多种类型的异常现象，包括突发e层、等离子体泡、等离子体块、f层不规则体、电离层突然骚扰、质子暴和极盖吸收事件、电离层暴、电离层行进式扰动、赤道异常、晨昏交接区和航天活动等。使用星载无线电接收机接收gnss(global navigation satellite system，全球导航卫星系统)中高轨卫星信号，当接收机—gnss卫星链路穿过电离层异常现象的空间区域时，链路数据将受到立竿见影的影响。通过分析受影响的链路数据，即有效数据，就能够识别电离层异常事件。现有的识别方式包括基于解析判据和基于模式识别的方法。
[0044]
具体到技术问题上，由于卫星运动速度极快，实际上链路探测到的主要是电离层异常事件的迁移变化而非局地变化。因此有效数据主要由两个因素决定：一是电离层异常事件本身的空间分布，二是链路的扫动方式。这里我们注意到其中链路扫动方式是可通过链路构型掌握的。因此，若能基于链路扫动方式对有效数据做修正，就有望优化电离层异常事件识别方法，从而提升识别效果。
[0045]
实施例1，本实施例公开了一种基于扫动方式的星上链路识别电离层异常事件优化方法，如图1所示，包括如下步骤：
[0046]
步骤1，获取接收机和gnss卫星参数，基于链路几何构型求解链路扫动速度：
[0047]
为保证较好的探测覆盖性和扫动速度，基于链路探测电离层的接收机通常搭载在低轨道卫星上，获取接收机位置，记为r，接收机位置就是接收机所在卫星位置；
[0048]
现有的gnss卫星包括gps、bd、glonass和galileo星座卫星等，通常位于中高轨。获取gnss卫星位置，记为g；
[0049]
基于gnss卫星位置g和接收机位置r，建立链路l，链路l从gnss卫星位置g指向接收机位置r；
[0050]
获取接收机速度，方向指向卫星轨道的切线方向，记为vr；
[0051]
上述gnss卫星位置和接收机速度通过两行星历、广播星历和精确星历方式获取；
[0052]
基于链路l的几何构型，由接收机速度vr求解链路的扫动速度：
[0053]
链路的几何构型如图2所示，对接收机速度做沿着链路方向和垂直于链路方向上的分解。接收机速度vr沿着链路l方向的分量记为vo，接收机速度vr垂直于链路l方向的分量记为vn，根据几何关系，有：
[0054][0055]
记电离层异常事件的位置为p，电离层异常事件p处的链路扫动速度为v
p
，根据几何关系，得到链路扫动速度v
p
的求解式：
[0056][0057]
由于链路扫动速度v
p
是随时间变化的，故有v
p
＝v
p
(i)，i为序号；
[0058]
对于gnss接收机在低轨卫星上的情况，进一步简化链路扫动速度的求解式(2)：
[0059]
依据某中高轨gnss卫星的实际高度，得到gp≈20000km；依据gnss接收机所在低轨卫星的高度(典型值为600km)和电离层异常事件的高度(典型值为300km)，得到pr＝[0，2000km]；
[0060]
由于pr《《gp，因此将链路扫动速度的求解式(2)简化为：
[0061][0062]
步骤2，利用接收机测量得到链路数据，基于链路扫动速度对链路数据做修正：
[0063]
利用接收机测量得到链路数据。由于接收机测量链路的数据是随时间变化的，因此得到的是接收机测量的链路数据序列，记为s(i)，i为序号，同时记录链路数据序列的时刻，记为t(i)，i为序号；
[0064]
基于链路扫动速度v
p
(i)，由链路数据序列s(i)求解链路数据在链路扫动方向上的空间梯度，获得修正后的链路数据δs(i)，有：
[0065][0066]
注意到当链路扫动速度较小时，链路扫动不明显，不利于对电离层异常事件的探测。因此可对链路扫动速度的大小做要求：链路扫动速度v
p
(i)不小于链路扫动速度阈值v
th
，阈值v
th
根据经验设定，典型值为2000m/s；
[0067]
选择链路数据为podtec_c002.2010.001.18.15.0034.g09.01_2013.3520_nc。其中，接收机在cosmic星座的c002卫星上，gnss卫星为gps星座的g09卫星。测量数据类型为电子密度总含量(tec，total electron content)。基于c002卫星和g09卫星建立测量链路。利用步骤1所述方法，得到链路扫动速度。结果如图3所示，其中上部为链路数据，下部为链路扫动速度随时间的变化，其中虚线为扫动速度阈值。
[0068]
进一步利用步骤2所述方法，获得修正后的链路数据。结果如图4所示。该结果即为链路数据在链路扫动方向上的空间导数，即修正后的链路数据。
[0069]
步骤3，建立电离层异常事件的识别方法，基于修正后的链路数据识别电离层异常事件：
[0070]
电离层异常事件包括突发e层、等离子体泡、等离子体块、f层不规则体、电离层突然骚扰、质子暴和极盖吸收事件、电离层暴、电离层行进式扰动、赤道异常、晨昏交接区和航天活动等。
[0071]
基于修正后的链路数据，建立识别电离层异常事件的神经网络输入样本，输入样本数在计算性能保证下越大越好，建议取值在1000以上。
[0072]
输入层节点数应大小适中，要提升识别的实时性时，输入层节点数应取较小值；要保证一定的识别准确率时，可适当增大输入层节点数。建议取值为120左右。
[0073]
依据神经网络的输入样本，相应地建立神经网络的目标样本，对于有电离层异常事件的输入样本，目标样本取值为y(yes)，对于无电离层异常事件的输入样本，目标样本取值为n(no)。
[0074]
隐含层可设置为单层或多层，建议设置为两层。隐含层节点数为hi，其中，i为隐含层的层数序号。建议隐含层节点数hi取值为h1＝30，h2＝10。
[0075]
利用神经网络开展训练，建议训练样本占比70％。再开展电离层异常事件的识别，获得识别结果。
[0076]
基于输入样本和目标样本，以及输入层节点数和隐含层节点数，开展神经网络训练，获得训练后的神经网络f
nn
，
[0077]
利用神经网络f
nn
进行电离层异常事件的识别，具体方法为：
[0078]
建立待识别样本，其包含的数据个数应与输入层节点数一致，将待识别样本输入神经网络f
nn
中，若输出结果为y，则表示识别结果为有电离层异常事件，若输出结果为n，则表示识别结果为无电离层异常事件。
[0079]
建立识别电离层异常事件的神经网络。图5给出了神经网络结构图。其中，输入样本来自于cosmic星座等数据，输入样本数为9983。输入层节点数为120。隐含层为两层，隐含层节点数为30，10。利用神经网络开展训练，训练样本占比70％。获得训练后的神经网络。
[0080]
使用训练后的神经网络开展电离层异常事件的识别，获得识别结果。图6为一次识别结果的混淆矩阵，总的识别正确率为98.3％。经过多次识别取平均值后，获得平均的总识别正确率为97.4％。作为对比，考察了未使用本发明方法做修正条件下的识别正确率，值为96.9％，比本发明低。

技术特征：

1.一种基于扫动方式的星上链路识别电离层异常事件优化方法，其特征在于，包括如下步骤：步骤1，获取接收机和gnss卫星参数，基于链路几何构型求解链路扫动速度：获取接收机位置，记为r，接收机位置就是接收机所在卫星位置；获取gnss卫星位置，记为g；基于gnss卫星位置g和接收机位置r，建立链路l，链路l从gnss卫星位置g指向接收机位置r；获取接收机速度，方向指向卫星轨道的切线方向，记为v
r
；上述gnss卫星位置和接收机速度通过两行星历、广播星历和精确星历方式获取；基于链路l的几何构型，由接收机速度v
r
求解链路的扫动速度：接收机速度v
r
沿着链路l方向的分量记为v
o
，接收机速度v
r
垂直于链路l方向的分量记为v
n
，根据几何关系，有：记电离层异常事件的位置为p，电离层异常事件p处的链路扫动速度为v
p
，根据几何关系，得到链路扫动速度v
p
的求解式：由于链路扫动速度v
p
是随时间变化的，故有v
p
＝v
p
(i)，i为序号；对于接收机在低轨卫星上的情况，进一步简化链路扫动速度的求解式(2)：依据gnss卫星的实际高度，得到gp≈20000km；依据接收机所在低轨卫星的高度和电离层异常事件的高度，得到pr＝[0，2000km]；由于pr<<gp，因此将链路扫动速度的求解式(2)简化为：步骤2，利用接收机测量得到链路数据，基于链路扫动速度对链路数据做修正：由于接收机测量链路的数据是随时间变化的，因此得到的是接收机测量的链路数据序列，记为s(i)，i为序号，同时记录链路数据序列的时刻，记为t(i)，i为序号；基于链路扫动速度v
p
(i)，由链路数据序列s(i)求解链路数据在链路扫动方向上的空间梯度，获得修正后的链路数据δs(i)，有：要求链路扫动速度v
p
(i)不小于链路扫动速度阈值v
th
，阈值v
th
根据经验设定，典型值为2000m/s；步骤3，建立电离层异常事件的识别方法，基于修正后的链路数据识别电离层异常事件：
基于修正后的链路数据，建立识别电离层异常事件的神经网络输入样本，依据神经网络的输入样本，相应地建立神经网络的目标样本，对于有电离层异常事件的输入样本，目标样本取值为y，对于无电离层异常事件的输入样本，目标样本取值为n，设定输入层节点数和隐含层节点数；基于输入样本和目标样本，以及输入层节点数和隐含层节点数，开展神经网络训练，获得训练后的神经网络f
nn
，利用神经网络f
nn
进行电离层异常事件的识别，具体方法为：建立待识别样本，其包含的数据个数应与输入层节点数一致，将待识别样本输入神经网络f
nn
中，若输出结果为y，则表示识别结果为有电离层异常事件，若输出结果为n，则表示识别结果为无电离层异常事件。2.根据权利要求1所述基于扫动方式的星上链路识别电离层异常事件优化方法，其特征在于，电离层异常事件包括突发e层、等离子体泡、等离子体块、f层不规则体、电离层突然骚扰、质子暴和极盖吸收事件、电离层暴、电离层行进式扰动、赤道异常、晨昏交接区和航天活动。3.根据权利要求1所述基于扫动方式的星上链路识别电离层异常事件优化方法，其特征在于：在步骤3中，输入样本数取值在1000以上，输入层节点数为120，隐含层设置为两层，第一层隐含层节点数h1＝30，第二层隐含层节点数h2＝10；利用神经网络开展训练，训练样本占比70％。

技术总结

本发明公开了一种基于扫动方式的星上链路识别电离层异常事件优化方法，包括如下步骤：步骤1，获取接收机和GNSS卫星参数，基于链路几何构型求解链路扫动速度：步骤2，利用接收机测量得到链路数据，基于链路扫动速度对链路数据做修正：步骤3，建立电离层异常事件的识别方法，基于修正后的链路数据识别电离层异常事件。本发明所公开的优化方法，基于链路扫动方式对有效链路数据做修正，针对特定应用场景下识别方法给出了更合理的物理原理，进而对电离层异常事件的识别方法进行优化，具有提升识别能力的有益效果。能力的有益效果。能力的有益效果。