随着各国航天活动的增多, 空间目标的数量和种类不断增加, 对空间目标进行编目识别是各国空间目标监视领域的重要研究内容。 对空间目标进行识别, 主要是为了获得其表面材质、 姿态、 形状、 关键载荷等信息, 而表面材质信息的获取是开展目标光学特性及状态认知研究的基础。 搭建空间目标表面材质多色测光测量系统, 整套系统部署在光学暗室内, 以减少杂散光对测量结果的影响。 光源采用太阳模拟器, 光谱等级A级; 探测器采用美国ASD公司生产的FieldSpec4地物光谱仪, 波长范围350～2 500 nm, 光谱分辨率1 nm, 光纤置于电控转台上, 能对待测样片实现不同观测几何下的测量。 利用Johnson-Cousins UBVRI五色分光系统对8种常用表面材质(砷化镓、 氧化铝、 氧化聚酰亚胺薄膜、 黑漆、 环氧漆、 镀铝聚酰亚胺薄膜、 钛青蓝漆、 白漆) 在不同观测几何条件下的10种色指数数据进行实验测量, 每种色指数分别测得30组实验数据。 采用传统的1-sigma不确定框方法(即对于给定材质的若干组实验数据, 计算其每种色指数的平均值和标准差, 以平均值为中心, 以标准差的两倍为边长画出色指数不确定框) , 在最理想的识别情况下, 通过R-I和B-R色指数不确定框能对砷化镓、 氧化铝、 氧化聚酰亚胺薄膜、 钛青蓝漆四种材质进行识别; 利用B-V和B-R色指数不确定框可以将环氧漆、 白漆识别出来, 剩余两种材质黑漆和镀铝聚酰亚胺薄膜无法通过以上色指数进行识别。 但是1-sigma不确定框方法存在两个主要问题: 一是需要知道待测材质对特定波段敏感的先验信息, 来确定所用的色指数类型; 二是识别率容易受测试样本数量的影响, 可靠性差。 超限学习机算法是一种利用随机化隐层节点和和最小二乘求解方式进行训练的机器学习算法, 具备学习效率快, 泛化性能好, 不容易陷入局部最优解等优势, 被广泛应用于对数据的分类和回归分析中。 因此引入超限学习机算法, 将色指数数据按照2∶1的比例随机分为训练样本和测试样本, 共进行三次随机试验。 在训练样本中, 对每种材质按照1∶8的顺序进行编号, 即编号1∶8的测试样本分别有20个, 分别包含10种色指数数据; 在测试样本中同样对其按照已知归属材质对应编号。 采用决定系数和计算时间作为判断ELM算法准确性和实时性的判断指标。 结果表明: 无论是对单一材质进行识别, 还是对所有测试材质样本, 训练样本决定系数在0.98以上, 测试样本决定系数在0.96以上, 每次试验中最多有3组色指数数据无法识别; 所需总时间最长在0.07 s内完成, 甚至可以达到0.002 s, 识别效率和可靠性远高于传统的1-sigma不确定框法, 表明ELM算法能对空间目标常用材质进行准确快速识别。 相关研究可为空间非合作目标的外形、 姿态等状态信息反演提供技术支持。

空间目标光谱是空间目标光学特性的本质体现, 能够反映空间目标的材质属性, 通过将实验室测量的材质光谱与实测空间目标光谱进行匹配处理, 可以识别目标的材质类型, 有助于分析空间目标的类型及工作状态。 针对空间目标光谱测量及材质信息反演问题, 研究空间目标光谱形成原理、 反演方法及红化效应等问题。 结合空间目标的固体光谱特点, 分析了振动光谱、 电子光谱对350~2 500 nm谱段的贡献。 对基于空间目标光谱开展目标材质识别的三种常用方法进行了概括, 即人工神经网络法、 粒子群优化法和频谱解混法, 对常用的反射率及其导数、 中心位移等特征参数进行了分析。 研究了空间目标光谱的红化效应, 指出红化效应是由部分氧化物进入空间后出现脱氧效应所致。 部分含氧元素的空间目标材质进入空间后会出现氧元素从材质表面脱离的现象, 脱氧后的材质会与空间环境中的污染物结合形成松散的化学键, 此类化学键更易吸收长波波段的光能量, 且波长越长越易被吸收, 从而导致反射率斜率随波长增加而上升的红化效应。 在极端空间环境的持续作用下, 空间目标表面材质会出现化学变化、 物理变化等老化问题, 通过光谱观测能够对材质的老化情况进行分析, 为及时修复现有卫星、 补发替换卫星提供依据。