论文部分内容阅读
在空间科学任务中,分布式卫星系统在空间能够形成大尺度的观测基线,或者利用空间构型及其轨道运动形成有针对性的多点采样阵列,通过对多点采样信号进行关联处理有效提升空间科学探测和对地观测的整体性能。通过这种探测方式,分布式卫星系统可以观测到以前难以探测的物理现象和天文数据,使空间探测进一步发展。对于空间科学任务,卫星系统的探测过程可以看作为一个探测单元记录时序的测量结果。这些测量结果不仅包括有效载荷记录的物理量,也包括卫星平台的物理参数,如位置,姿态,时间,温度等。在卫星系统的设计初期,不仅需要对卫星平台,轨道,有效载荷的具体参数进行设计,也要考虑不确定性参数,如卫星定位精度,姿态测量精度,时钟精度,有效载荷测量精度等。这些不确定性参数的特点是在卫星系统的探测过程中,会引起测量结果的时变误差。在以往的卫星设计中,对这些不确定性参数与最终探测结果精度之间的定量分析通常使用基于抽样仿真的统计方法,时间效率低,且不能对各个参数的重要性进行评估。鉴于此,本文的主要研究工作如下:1)不确定性参数在分布式卫星系统中的表现形式,以及其在探测过程中误差传递过程的分析;在传统的基于方差的分析方法基础上,重点分析了分布式卫星系统中,引起时变误差的不确定性参数在系统中的作用方式,并以具体的工程参数为例分析了不确定性参数的误差传递过程,构建了分布式卫星系统探测不确定性分析的基础框架,并针对具体任务进行了分析和软件实现;2)为了解决传统的基于抽样仿真方法在进行不确定性分析中时间效率低,不同参数重要度不能显性表达的缺点,结合概念设计阶段不确定性分析的实际需求,提出了用正态分布作为复杂系统不确定性描述范本的方法,将高维非线性的系统在设计区间范围近似降维为一个线性组合。通过构建权重矩阵,求得不同不确定性参数对系统性能评价的影响系数。提高不确定性分析的时间效率的同时,能对不同参数的重要性进行分析,为分布式卫星系统设计阶段的不确定性参数分析提供方法支撑;3)提出了一种神经网络替代模型不确定性分析方法,利用人工神经网络在拟合回归分析上的非线性特性,针对性的设计了一种神经网络结构,经实验验证可通过少量仿真计算结果作为训练样本实现收敛并有效反映被替代系统的原有特性。本文主要研究内容是引起时变误差的不确定性参数在分布式卫星系统设计阶段的分析方法,通过数据反演算法的分布式卫星系统仿真模型,在传统抽样仿真计算方法的基础上,引入了基于权重的回归分析方法和两种基于人工神经网络的分析方法。并用两种典型的分布式卫星系统进行了仿真实验和验证分析。通过与传统基于抽样的仿真统计方法做比较,验证了方法的有效性及时间效率的改善。为分布式卫星系统在设计阶段对不确定性参数进行分析提供了方法支撑。