空间目标分类方法、装置和存储介质

技术领域

本发明涉及空间态势感知技术领域，尤其涉及一种空间目标分类方法、装置和存储介质。

背景技术

目前通常使用雷达对空间目标进行观测，获取目标的RCS(Radar Cross section，散射截面)、运动特征等数据，但现有的空间目标识别方法的信息利用不足，使得目标分类准确率低。

发明内容

基于此，本发明实施例提供一种空间目标分类方法、装置和存储介质，以解决传统空间目标分类方法准确率低的问题。

根据本发明实施例的第一方面，提供一种空间目标分类方法，包括：

获取空间目标的待测光变曲线数据；

建立空间目标分类模型；

将所述待测光变曲线数据输入至所述空间目标分类模型，得到所述空间目标的分类结果。

可选的，所述空间目标分类模型包括：

输入层、至少两个卷积LSTM层、至少一个卷积层、第一全连接层和softmax层构成；

其中，每个所述卷积层包括：预设个数的卷积核、对卷积后的数据进行处理的激励函数、dropout规范算法和最大池化。

可选的，所述softmax层包括：第二全连接层和softmax激活函数。

可选的，每个所述卷积LSTM层、所述卷积层和所述第一全连接层均进行L2规范化。

可选的，所述空间目标分类模型还包括：

根据所述softmax层的输出值和交叉熵损失函数得到所述空间目标分类模型的损失函数；

根据Adam优化器优化所述至少两个卷积LSTM层、所述至少一个卷积层和所述第一全连接层，调整所述空间目标分类模型的损失函数。

可选的，所述空间目标的分类结果包括：非周期性运动的火箭、周期性运动的火箭、卫星和碎片中的至少一种。

可选的，所述方法还包括：

获取历史光变曲线数据；

根据所述历史光变曲线数据，基于预设批的mini-batch梯度下降法对所述空间目标分类模型进行训练。

根据本发明实施例的第二方面，提供一种空间目标分类装置，包括：

数据获取模块，用于获取空间目标的待测光变曲线数据；

模型建立模块，用于建立空间目标分类模型；

分类模块，用于将所述待测光变曲线数据输入至所述空间目标分类模型，得到所述空间目标的分类结果。

根据本发明实施例的第三方面，提供一种空间目标分类装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述实施例的第一方面提供的任一项所述的空间目标分类方法的步骤。

本发明实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，所述计算机程序被处理器执行时实现如实施例的第一方面提供的任一项的所述空间目标分类方法的步骤。

本发明实施例的空间目标分类方法、装置和存储介质与现有技术相比存在的有益效果是：

首先获取空间目标的待测光变曲线数据，建立空间目标分类模型；然后将所述待测光变曲线数据输入至所述空间目标分类模型，得到所述空间目标的分类结果，即本实施例利用光变曲线数据作样本，建立空间目标分类模型，实现了对周期性运动或非周期性运动的火箭、卫星和碎片等空间目标进行精确分类。

附图说明

图1是本发明实施例提供的一种空间目标分类方法的实现流程示意图；

图2是本发明实施例提供的空间目标分类模型的结构示意图；

图3是本发明实施例提供的一种空间目标分类装置的结构示意图；

图4是本发明实施例提供的另一种空间目标分类装置的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

参见图1，为本实施例提供的空间目标分类方法的一个实施例实现流程示意图，详述如下：

步骤S101，获取空间目标的待测光变曲线数据。

实际应用中，雷达对空间目标进行观测时，获取空间目标的RCS、运动特征等数据，而空间目标的光变曲线数据(天体相对于时间的亮度变化图形，是时间的函数)，特别是高轨目标的光变曲线观测数据是对雷达观测数据的重要补充。空间目标的形状、材质、轨道和微运动等特征对目标的光变曲线数据都有影响，且空间目标的光变曲线数据观测成本低、观测量大、覆盖范围广，因此在分类空间目标时，可以利用大量光变曲线数据作为样本，构建深度神经网络反演空间目标的特征，对周期性运动或非周期性运动的火箭、卫星和碎片等空间目标进行分类，分类精度高。

步骤S102，建立空间目标分类模型。

步骤S103，将所述待测光变曲线数据输入至所述空间目标分类模型，得到所述空间目标的分类结果。

可选的，本实施例的空间目标的分类结果可以包括但不限于以下至少一种结果：非周期性运动的火箭、周期性运动的火箭、卫星和碎片。

在一个实施例中，参见图2，所述空间目标分类模型包括：输入层、至少两个卷积LSTM(Long Short-Term Memory，长短期记忆)层、至少一个卷积层、第一全连接层和softmax层构成。

其中，每个所述卷积层包括：预设个数的卷积核、对卷积后的数据进行处理的激励函数、dropout规范算法和最大池化。

所述softmax层包括：第二全连接层和softmax激活函数。

实际应用中，卷积神经网络在处理图片等网格状数据时，可以利用卷积提取图片的空间特征，在进行图片分类、图像识别时可以取得非常好的效果。但是对于时间序列数据，仅仅用卷积神经网络可能会失去序列的时序特征。循环神经网络常用来处理时序序列数据，但是常用的深度神经网络随着网络层数的变大会有梯度消失或梯度弥散的问题。因此本实施例利用LSTM网络来处理时序序列数据，通过构造输入门、遗忘门和输出门可解决随着网络层数的变大会有梯度消失或梯度弥散的问题。

空间目标的光变曲线数据中既包含了目标在空间中的位置特征，又包含了目标随着时序变化的运动特征。为了同时提取目标的空间特征和时序特征，本实施例将LSTM网络和卷积神经网络相结合，构造卷积LSTM网络，并利用光变曲线数据训练卷积LSTM网络分类器，从而对火箭、卫星、碎片等目标进行分类，提高分类精确度。

可选的，每个所述卷积LSTM层、所述卷积层和所述第一全连接层均进行L2规范化。

可选的，所述空间目标分类模型还包括：

根据所述softmax层的输出值和交叉熵损失函数得到所述空间目标分类模型的损失函数。

根据Adam优化器优化所述至少两个卷积LSTM层、所述至少一个卷积层和所述第一全连接层，调整所述空间目标分类模型的损失函数。

实际应用中，softmax层会有一个预测值，利用该预测值和交叉熵损失函数可确定出空间目标分类模型的损失函数，并利用Adam优化器优化所述至少两个卷积LSTM层、所述至少一个卷积层和所述第一全连接层，可减小所述空间目标分类模型的损失函数，增加空间目标分类模型的预测准确率。

示例性的，卷积LSTM网络由输入层、两个卷积LSTM层、一个卷积层一个第一全连接层和一个softmax层构成。其中，输入层为包含700点的光变曲线序列，中间层由两个卷积LSTM层、一个卷积网络层和一个全连接层构成。其中，两个卷积LSTM层可以包含32个大小为3×1的卷积核，每个卷积LSTM网络后需经过批规范化处理。卷积层可以包含16个大小为12的卷积核，经过卷积后用Relu函数激励，比率为0.2的dropout层规范化和核大小为2×1的最大池化层。第一全连接层大小可以为100，并使用比率为0.2的dropout规范化。Softmax层包含大小为4的第二全连接层和softmax激活函数。为了减小过拟合，卷积LSTM层、卷积层和全连接层都使用L2规范化。

在一个实施例中，所述方法还包括：

获取历史光变曲线数据；根据所述历史光变曲线数据，基于预设批的mini-batch梯度下降法对所述空间目标分类模型进行训练。

示例性的，将空间目标的光变曲线数据分为4类：非周期的数据、周期的火箭数据、周期的卫星数据、周期的碎片数据，四种数据混合在一起组成数据集。例如，可以从俄罗斯MMT数据库获取10000条观测数据组成数据集。为了使训练数据和测试数据中每一类样本更加均衡，随机选取70％的数据作为训练样本，剩下30％的数据作为测试样本。

进一步地，本实施例可以选取批大小为512的mini-batch梯度下降法对空间目标分类模型进行训练，训练时从训练数据中选每批大小为512的数据输入空间目标分类模型，比如7000个样本的训练集，需输入14批数据进入空间目标分类模型(7000/512＝13.6，最后一批不足512的全部输入)，每14批训练完叫完成一遍(1个epoch)。

为了避免测试损失函数和测试准确率发生剧烈震荡，每200个epoch，即每训练200遍，将学习率降一半。在测试时输入测试数据，输出的则是一个1×4的向量，数据最大的位置对应目标的类别。利用GPU(Graphics Processing Unit，图形处理器)训练空间目标分类模型发现，训练2000次后，测试准确率可达83.3％，而利用传统的bagging方法和随机森林方法，测试准确率分别为58.7％和53.3％，而单纯利用卷积神经网络方法，测试准确率为77.3％，可见，本实施例的卷积LSTM网络方法训练的模型测试准确率最优。

上述空间目标分类方法中，卷积LSTM网络利用空间目标的光变曲线数据对空间目标进行分类，既能提取目标的时序特征又能提取目标的空间特征，以较高的准确率对空间火箭、卫星、碎片等目标进行分类，不光可用于处理光变曲线数据，对于雷达外测数据、RCS数据等同样适用，对于研究空间目标的特征具有参考价值。

本领域技术人员可以理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。

对应于上文实施例所述的空间目标分类方法，本实施例提供了一种空间目标分类装置。具体参见图3，为本实施例中空间目标分类装置的结构示意图。为了便于说明，仅示出了与本实施例相关的部分。

所述空间目标分类装置可以包括：数据获取模块110、模型建立模块120和分类模块130。

数据获取模块110用于获取空间目标的待测光变曲线数据。

模型建立模块120用于建立空间目标分类模型。

分类模块130用于将所述待测光变曲线数据输入至所述空间目标分类模型，得到所述空间目标的分类结果。

上述空间目标分类装置，根据空间目标的光变曲线数据和空间目标分类模型得到所述空间目标的分类结果，实现了对周期性运动或非周期性运动的火箭、卫星和碎片等空间目标进行精确分类。

本实施例还提供了一种空间目标分类装置100的示意图。如图4所示，该实施例的空间目标分类装置100包括：处理器140、存储器150以及存储在所述存储器150中并可在所述处理器140上运行的计算机程序151，例如空间目标分类方法的程序。

其中，处理器140在执行存储器150上所述计算机程序151时实现上述空间目标分类方法实施例中的步骤，例如图1所示的步骤101至103。或者，所述处理器140执行所述计算机程序151时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块110至130的功能。

示例性的，所述计算机程序151可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器150中，并由所述处理器140执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序151在所述空间目标分类装置100中的执行过程。例如，所述计算机程序151可以被分割成数据获取模块110、模型建立模块120和分类模块130，各模块具体功能如下：

数据获取模块110用于获取空间目标的待测光变曲线数据。

模型建立模块120用于建立空间目标分类模型。

分类模块130用于将所述待测光变曲线数据输入至所述空间目标分类模型，得到所述空间目标的分类结果。

所述空间目标分类装置100可包括，但不仅限于处理器140、存储器150。本领域技术人员可以理解，图4仅仅是空间目标分类装置100的示例，并不构成对空间目标分类装置100的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述空间目标分类装置100还可以包括输入输出设备、网络接入设备、总线等。

所述处理器140可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器150可以是所述空间目标分类装置100的内部存储单元，例如空间目标分类装置100的硬盘或内存。所述存储器150也可以是所述空间目标分类装置100的外部存储设备，例如所述空间目标分类装置100上配备的插接式硬盘，智能存储卡(Smart MediaCard，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器150还可以既包括所述空间目标分类装置100的内部存储单元也包括外部存储设备。所述存储器150用于存储所述计算机程序以及所述空间目标分类装置100所需的其他程序和数据。所述存储器150还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模型的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。