基于BP神经网络的介质表面充电电位反演方法

为了实现全面、实时的在轨卫星充放电风险分析,基于在相同环境下,不同材料表面充电的关联性,利用BP神经网络建立了一种由Kapton材料表面充电电位反演卫星其他常用介质材料表面电位的模型。以Kapton材料的表面电位以及材料厚度为输入,其他介质材料的表面电位作为模型输出,使用COMSOL建立的表面充电模型对神经网络进行训练,将反演误差降低到10%以下,并利用Kapton与Teflon材料表面充电地面试验数据验证反演模型的准确性,结果显示Teflon表面电位的反演值与实测值间的相对误差小于16%。     

基于BP神经网络的GEO等离子体环境参数反演分析

空间等离子体环境诱发的表面充电效应会对航天器运行产生干扰，严重时将导致太阳电池等部件失效。通过神经网络反演方法，以GEO环境中介质表面充电电位曲线作为输入，在双峰麦克斯韦分布假设下，可以逆向得到高能峰的等离子体参数。分析了GEO等离子体环境参数对表面充电电位曲线的影响，表明高能峰在充电过程中起决定性作用；其次通过MATLAB搭建BP神经网络，采用COMSOL计算得到多组充电曲线进行网络训练和反演计算，得到等离子体密度反演的平均相对误差为0.42%，温度反演的平均相对误差为0.03%，整体误差在0.1%～5.6%。结果表明，采用神经网络对等离子体环境进行反演具有可行性，该方法可以作为空间等离子体环境探测结果的对比参考和航天器非探测点表面电位计算的输入条件。