基于深度学习的空间尘埃碰撞实时自动检测

准确快速地检测航天器上发生的尘埃碰撞事件能帮助我们更好地了解空间环境的尘埃分布以及减少航天器因尘埃碰撞受到的破坏.现有人工识别或基于尘埃碰撞引起的电势差信号波形特征的机器识别尘埃碰撞事件的方法虽然有较高精度,但效率低下,迫切需要高精度且自动化方法识别航天器收集的海量电势差信号.深度学习模型在信号分类和识别具有较强能力,本文把空间尘埃碰撞引起的电势差信号检测问题建模成信号分类问题,构建了一个卷积神经网络模型,该模型可以自动提取信号特征并根据特征对信号分类,同时为了训练模型和测试模型预测准确率,构建了一个由尘埃碰撞引起的电势差信号和非尘埃碰撞引起的电势差信号组成的数据集,模型在训练集上准确率为99.46%,在测试集上准确率达到98.68%,查全率为99.44%,查准率为97.95%,threat score为97.41%.实现了高精度且自动化的尘埃碰撞事件检测.