本发明属于空间目标意图仿真分析领域，尤其涉及一种面向空间非合作目标的意图分析方法与系统。
背景技术：
1、随着航天技术的进步，人们对太空的研究、开发和应用水平不断提升，世界各国发展了以交会对接、在轨维修服务、航天器变轨、空间碎片规避等空间操控技术。目前操控手段不断丰富、操控任务快速增长，导致空间操控环境变得日益复杂，为了正确识别空间任务态势，传统依靠专家经验的方式很难从复杂空间环境中实时、准确地识别出非合作目标的意图。因此，迫切需要引入智能化推理方法来突破传统方式的弊端，帮助识别非合作目标意图并及时做出响应。
2、国内外学者对非合作目标对象识别、机动识别进行了一定的研究。传统的目标意图识别主要采用模板匹配、贝叶斯网络、专家系统等方法，其中模板匹配和专家系统需要模板库和专家知识，难以保证其通用性和客观性，而贝叶斯网络的先验概率和条件转移概率难以确定。随着人工智能的发展，深度学习在意图识别领域得到了广泛的研究，通过模型训练可以实现自动识别非合作目标的意图，但是神经网络和深度学习也存在数据不足导致识别精度低的问题。目前国内外对于空间非合作目标意图识别的研究大多限于卫星机动识别，对机动后意图的研究很少，而且仅仅根据卫星的机动特征分析目标的意图或者是否存在危险性的方法存在一定的局限性。
3、因此，通过基于深度学习的方式分析空间非合作目标的意图可以解决传统方法需要专家知识的局限性以及识别精度低，识别速度低的问题。
技术实现思路
1、本发明的目的在于克服现有技术缺陷，提出了一种面向空间非合作目标的意图分析方法与系统。
2、本发明主要针对通过专家经验和传统方法识别空间非合作目标意图精度低、速度低的问题，开展了基于深度学习的空间非合作目标意图识别的研究。通过先识别非合作目标机动，再采用深度学习方法识别非合作目标的意图，解决了传统方法识别精度低，速度低的问题，能够为空间态势理解提供技术上的支撑。
3、作为上述方法的一种改进，本发明提出了一种面向空间非合作目标的意图分析方法，包括：
4、预处理：读取轨道数据文件，并进行数据清洗，将非数值数据转为数值数据；
5、机动识别：基于mosum(序贯概率比检验)算法实现非合作目标机动的判别；
6、意图识别：对于识别出机动的非合作目标，通过预先建立和训练好的意图识别模型识别意图，所述意图包括轨道保持、探测和碎片缓释；
7、所述意图识别模块包括基于gru的自编码器和由cnn组成的意图识别网络。
8、优选的，所述数据清洗包括：
9、删除重复数据，将时间相同的值去掉，使轨迹和时间一一对应；
10、处理无效值和缺失值，统一数据格式，将数据的单位统一为km，以达到数据的一致性。
11、优选的，所述将非数值数据转为数值数据，用于将意图类别转为one-hot向量，以避免信息丢失。
12、优选的，所述机动识别包括：
13、观测序列x1,x2,…xi,…xn，其中xi为观测序列中的具体观测值，设置观测窗口g涵盖了足够多的观测数据点，遍历比较每一个时间点k的子样本xk-g+1,...,xk与子样本xk+1,...,xk+g的均值，当两者的差值达到设定阈值时，认为此时发生了变点，从而从观测序列中检测出发生机动的数据。
14、优选的，所述意图识别模型的输入数据包括目标卫星和非合作目标的轨迹数据，输出为one-hot向量，当输出[1,0,0]表示轨道保持，当输出[0,1,0]表示探测，当输出[0,0,1]表示碎片缓释。
15、优选的，所述基于gru的自编码器包括编码器和解码器，其中，
16、所述编码器包括32层gru，用于将机动识别后的相对轨迹数据作为输入，将每一层gru输出的隐层状态拼接在一起，映射到潜在空间表示时序和结构特征数据，提取相对轨迹数据不同层次的时序和结构特征；
17、所述解码器包括32层gru，用于接受时序和结构特征数据，并映射回原始相对轨迹数据的尺寸，实现了从潜在表示到原始数据的逆变换。
18、优选的，所述意图识别网络包括两路串联的cnn和parametric relu激活函数，一路输入是相对轨迹数据，另一路输入是时序和结构特征数据，两路串联均连接双线性池化层、全连接层和softmax激活函数，其中parametric relu激活函数由leaky relu改进得到，将leaky relu在负数域的斜率参数化，通过训练调整负斜率，使其成为一个可学习的超参数。
19、优选的，所述方法还包括意图识别模型的训练步骤，包括：
20、将卫星轨迹数据和非合作目标的轨迹数据在同一个轴上拼接为相对轨迹数据，并采用min-max归一化方法进行归一化处理，构建训练集数据；
21、输入基于gru的自编码器，使用均方误差作为损失函数，通过反向传播算法，得到训练好的基于gru的自编码器；
22、将空间非合作目标的意图类别编码为one-hot向量，其中轨道保持为[1,0,0]，探测为[0,1,0]，碎片缓释为[0,0,1]，建立训练集数据；
23、输入意图识别网络，使用交叉熵作为损失函数，使用adagrad作为优化器，直到完成指定的训练次数，得到训练好的意图识别网络。
24、另一方面，本发明提出了一种面向空间非合作目标的意图分析系统，包括：
25、预处理模块，用于读取轨道数据文件，并进行数据清洗，将非数值数据转为数值数据；
26、机动识别模块，用于基于mosum算法实现非合作目标机动的判别；和
27、意图识别模块，用于对于识别出机动的非合作目标，通过预先建立和训练好的意图识别模型识别意图，所述意图包括轨道保持、探测和碎片缓释；
28、所述意图识别模块包括基于gru的自编码器和由cnn组成的意图识别网络。
29、与现有技术相比，本发明的优势在于：
30、1、本发明的方法通过基于mosum的算法来识别空间非合作目标是否发生机动，解决了传统方法识别速度低的问题；
31、2、本发明的方法通过基于gru的自编码器对轨道的时序数据进行降维，并提取了时序数据的重要特征，提高了识别效率；
32、3、本发明的方法利用cnn网络，引入parametric relu激活函数将降维后的数据以及相对轨迹数据进行意图识别，提高了识别精度。
1.一种面向空间非合作目标的意图分析方法，包括：
2.根据权利要求1所述的面向空间非合作目标的意图分析方法，其特征在于，所述数据清洗包括：
3.根据权利要求1所述的面向空间非合作目标的意图分析方法，其特征在于，所述将非数值数据转为数值数据，用于将意图类别转为one-hot向量，以避免信息丢失。
4.根据权利要求1所述的面向空间非合作目标的意图分析方法，其特征在于，所述机动识别包括：
5.根据权利要求1所述的面向空间非合作目标的意图分析方法，其特征在于，所述意图识别模型的输入数据包括目标卫星和非合作目标的轨迹数据，输出为one-hot向量，当输出[1,0,0]表示轨道保持，当输出[0,1,0]表示探测，当输出[0,0,1]表示碎片缓释。
6.根据权利要求1所述的面向空间非合作目标的意图分析方法，其特征在于，所述基于gru的自编码器包括编码器和解码器，其中，
7.根据权利要求1所述的面向空间非合作目标的意图分析方法，其特征在于，所述意图识别网络包括两路串联的cnn和parametric relu激活函数，一路输入是相对轨迹数据，另一路输入是时序和结构特征数据，两路串联均连接双线性池化层、全连接层和softmax激活函数，其中parametric relu激活函数由leaky relu改进得到，将leaky relu在负数域的斜率参数化，通过训练调整负斜率，使其成为一个可学习的超参数。
8.根据权利要求1所述的面向空间非合作目标的意图分析方法，其特征在于，所述方法还包括意图识别模型的训练步骤，包括：
9.一种面向空间非合作目标的意图分析系统，其特征在于，包括：
