基于数据挖掘方法的空间大气模型修正

针对经验的空间大气模型会在轨道预报中造成较大的误差,以某型号卫星作为基准航天器,提出2种不同精度的轨道预报模型作为仿真基础,以产生训练数据和测试数据。利用3种数据挖掘中的分类方法,如支持向量机（SVM）、神经网络（NN）、随机森林（RF）等方法,对空间大气模型在轨道预报时造成的误差进行监督学习,借此反演误差简化模型中大气模型的偏差并进行修正。分类器的训练结果表明,随机森林方法由于随机选择决策树、随机选择分类项目,按照最大概率反演的大气模型误差准确率高达99.99%,支持向量机次之,最大准确率仅为50.7%,前馈负向传播神经网络容易出现不学习的情况,应用效果最差。相比传统数理统计方法,本文方法具有快速处理大数据集、能够挖掘隐藏在轨道预报微小误差中的潜在信息等优势。