申请/专利权人：深空探测实验室(天都实验室)

申请日：2023-12-15

公开（公告）日：2024-03-26

公开（公告）号：CN117763306A

主分类号：G06F18/20

分类号：G06F18/20;G06F18/214;G06N3/045;G06N3/0475;G06N3/094;G06N3/096;G06F17/18;G06F18/22

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.12#实质审查的生效;2024.03.26#公开

摘要：本发明提供基于深度‑迁移学习的深远空间在轨数据生成方法及系统，方法包括：确定深远空间在轨数据的迁移对象，进行数据间的可迁移性分析；分析迁移对象之间的公共知识，是否益于模型训练学习，检验源域和目标域数据分布；基于深度学习生成对抗网络GAN，对已有数据集进行训练，形成天体在轨数据集的数据衍生策略；对预训练完成且验证有效的GAN模型进行迁移，将月球、火星、小行星等在轨数据生成模型进行微调，得到深远空间在轨数据生成的模型；对微调后的模型生成的深远空间在轨数据样本能否满足要求，实施进一步的验证，得到一套可靠的深远空间在轨数据生成系统。本发明解决了因缺乏在轨数据来源、负迁移的情况，制约深空环境仿真效果的技术问题。

主权项：1.基于深度-迁移学习的深远空间在轨数据生成方法，其特征在于，所述方法包括：S1、确定深远空间在轨数据的迁移对象，进行数据间的可迁移性分析，其中，对计划生成的在轨数据系统，与已有真实在轨数据系统及在轨任务进行异同分析，得到异同分析数据，据以对所述在轨数据之间，利用最大均值差异算法MMD，进行可迁移度计算，度量源域数据与目标域数据之间的分布距离，据以获取可迁移度数据；S2、基于深度学习生成对抗网络GAN，训练预置数据集，以得到预训练深度学习生成对抗网络GAN，并验证所述预训练深度学习生成对抗网络GAN生成的所述在轨数据，据以形成预置天体在轨数据集的数据衍生策略，以得到预训练深度学习生成对抗网络GAN；S3、根据所述可迁移度数据，对所述预训练深度学习生成对抗网络GAN模型进行迁移，据以调整所述预置天体的在轨数据生成模型，得到深远空间在轨数据生成模型；S4、获取并根据预置要求数据，对所述深远空间在轨数据仿真模型的生成数据，进行再验证操作，据以获取深远空间在轨数据生成系统。

全文数据：

权利要求：

百度查询： 深空探测实验室(天都实验室) 基于深度-迁移学习的深远空间在轨数据生成方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD