封面文章｜国防科大：GEO卫星机动识别的自适应深度学习方法

GEO卫星机动识别的自适应深度学习方法

龙洗, 杨乐平, 乔琛远, 等. GEO卫星机动识别的自适应深度学习方法[J]. 宇航学报, 2025, 46(01): 51-67.

LONG Xi, YANG Leping, QIAO Chenyuan, et al. An adaptive deep learning approach for maneuver identification of GEO satellite[J]. Journal of Astronautics, 2025, 46(01): 51-67.

研究背景与目的

GEO卫星因其星下点轨迹固定，能够为用户提供中继通信、导航定位、预警监视等众多服务，在空间目标体系中至关重要。近年来，部署在GEO卫星数量显著增加，美、俄先后发射了“地球同步轨道空间态势感知项目”、“奥林普”等多颗高轨巡视卫星，这些卫星在轨运行期间发生多次机动，长期处于定点-漂移-定点状态。

此外，多数GEO卫星受摄动力的影响，还需进行定期机动定点保持控制。这些机动的发生给空间监视网（SSN）运行带来了极大挑战。一方面，如果SSN无法捕获卫星机动，会造成目标编目丢失，对太空安全造成威胁。

另一方面，即使SSN发现卫星机动，也需要对其调度计划进行快速调整，这增加了调度中心的负担。如果能够对GEO卫星的机动进行预测，将其作为先验信息指导SSN调度计划的生成或提前进行反应式调度，则能够有效提高SSN灵活性，增强太空态势感知能力。

研究方法

卫星在轨运行期间积累了大量两行轨道数据（TLE），这些数据能反映卫星轨道参数变化规律。本文以TLE数据为支撑，提出一种“经度预测+机动识别”的自适应深度学习方法。主要工作如下：

01

基于NORAD编号为27632的卫星历史TLE数据，分析其机动情况。确定经度为GEO卫星机动识别的特征参数，半长轴、偏心率和轨道倾角作为机动识别的补充参数。

图1 GEO卫星机动特征分析

02

构建自动优化时空因果注意力深度学习框架进行经度预测。基于LSTM实现对多维数据时序关系捕捉。利用CNN识别不同特征依赖关系。采用传递熵确定LSTM输入参数马尔科夫阶数。引入注意力机制进行信息筛选和集中。最后应用PSO优化学习率、神经元个数等参数。

图2 AOSTCADL框架

03

提出非参数化阈值动态更新方法进行机动识别。采用预测结果与SGP4轨道预报结果得到预测偏差。通过差分的方式生成平滑误差。随后建立阈值确定优化模型，应用PSO求解。最后引入滚动时域策略对阈值进行自适应更新。

图3 非参数化阈值动态更新与机动识别

国防科技大学龙洗、杨乐平、乔琛远、黄涣以“GEO卫星机动识别的自适应深度学习方法”为题，将该项成果发表于《宇航学报》2025年第1期。

主要结论

深度学习方法通过历史数据学习可有效提升GEO卫星机动识别时效性与准确率；

GSSAP这类高轨博弈卫星的机动行为是个体独立事件，理论上无法从历史数据来推断，仿真结果证实了此点，也验证了本文方法合理性；

自适应深度学习通过减少冗余信息、优化网络参数、降低训练时间与模型复杂度，为构建轻量化神经网络提供了有效解决方案。

前景与应用

该方法可应用于太空态势感知领域的空间目标机动检测与识别研究。还可扩展应用于太空交通管理、卫星资源调度、复杂目标识别等相关领域。