无线电工程

字段名称	数据类型	示例/取值范围	描述
任务目标	文本	“灾害监测”“资源勘查”	用户需求的任务目标文本描述
目标区域	地理坐标	“39.904 2°N, 116.407 4°E”	目标区域的经纬度坐标（附带地形高程数据）
时间窗口（开始时间）	时间戳	“2024-05-01T10：00：00”	任务执行的起始时间
时间窗口（结束时间）	时间戳	“2024-05-01T12：30：00”	任务执行的结束时间
天气条件	类别	晴朗/多云/阴雨	任务执行时的气象条件
卫星平台选择	类别	A/B/C	可选3种卫星平台（参数见表2）
载荷选择	类别	X/Y/Z	可选3种载荷设备（参数见表3）
任务结果	布尔值	成功/失败	任务执行结果标签
专家评价	数值	1月5日	专家对任务方案的综合评分（5分为最优）

字段名称	数据类型	示例/取值范围	描述
任务目标	文本	“灾害监测”“资源勘查”	用户需求的任务目标文本描述
目标区域	地理坐标	“39.904 2°N, 116.407 4°E”	目标区域的经纬度坐标（附带地形高程数据）
时间窗口（开始时间）	时间戳	“2024-05-01T10：00：00”	任务执行的起始时间
时间窗口（结束时间）	时间戳	“2024-05-01T12：30：00”	任务执行的结束时间
天气条件	类别	晴朗/多云/阴雨	任务执行时的气象条件
卫星平台选择	类别	A/B/C	可选3种卫星平台（参数见表2）
载荷选择	类别	X/Y/Z	可选3种载荷设备（参数见表3）
任务结果	布尔值	成功/失败	任务执行结果标签
专家评价	数值	1月5日	专家对任务方案的综合评分（5分为最优）

卫星平台	分辨率/m	视场角/（°）	轨道类型
A	1.5	30	太阳同步轨道
B	2.4	45	近地轨道（Low Earth Orbit, LEO）
C	5	60	地球同步轨道（Geostationary Earth Orbit, GEO）

卫星平台	分辨率/m	视场角/（°）	轨道类型
A	1.5	30	太阳同步轨道
B	2.4	45	近地轨道（Low Earth Orbit, LEO）
C	5	60	地球同步轨道（Geostationary Earth Orbit, GEO）

载荷类型	分辨率/m	波段范围	适用场景
X（光学载荷）	1.5	450～900/nm	高分辨率地表成像
Y（多光谱载荷）	5	400～2500/nm	环境与植被监测
Z（合成孔径雷达载荷）	3	L波段（1～2 GHz）	全天气/夜间监测

载荷类型	分辨率/m	波段范围	适用场景
X（光学载荷）	1.5	450～900/nm	高分辨率地表成像
Y（多光谱载荷）	5	400～2500/nm	环境与植被监测
Z（合成孔径雷达载荷）	3	L波段（1～2 GHz）	全天气/夜间监测

模型	Accuracy	F1-score	MAE	执行时间/s
RBES	0.75	0.72	0.8	0.5
MLM	0.82	0.80	0.7	1.2
RAG决策优化模型	0.90	0.89	0.5	2.5

模型	Accuracy	F1-score	MAE	执行时间/s
RBES	0.75	0.72	0.8	0.5
MLM	0.82	0.80	0.7	1.2
RAG决策优化模型	0.90	0.89	0.5	2.5

基于检索增强生成的卫星任务需求决策优化模型

PDF下载

马茜 ¹ , 王港 ¹ , 刘纾彤 ² , 陈金勇 ¹

无线电工程 | 工程与应用 2025,55(11): 2316-2324

收起

无线电工程 | 工程与应用 2025, 55(11): 2316-2324

基于检索增强生成的卫星任务需求决策优化模型

全屏

马茜¹, 王港¹, 刘纾彤², 陈金勇¹

作者信息

^1.中国电科网络通信研究院,河北石家庄 050081

^2.中国人民解放军94804 部队,上海 200000

马茜女，（1979—），硕士，高级工程师。

王港男，（1990—），硕士，高级工程师。

刘纾彤女，（1997—），上尉助理工程师。主要研究方向：信息通信、网络安全。

陈金勇男，（1970—），博士，研究员级高级工程师。

Retrieval-augmented Generation-based Decision Optimization Model for Satellite Mission Requirement Planning

Qian MA¹, Gang WANG¹, Shutong LIU², Jinyong CHEN¹

Affiliations

^1.Academy for Network & Communications of CETC, Shijiazhuang 050081, China

^2.Unit 94804, PLA , Shanghai 200000, China

出版时间: 2025-11-05 doi: 10.3969/j.issn.1003-3106.2025.11.020

文章导航

摘要

收起

针对卫星任务需求决策中多模态数据融合不足、动态约束优化复杂等问题，设计了智能化决策模型，增强了自动化能力与决策精度。提出基于检索增强生成（Retrieval-Augmented Generation，RAG）的卫星任务需求决策优化模型：① 采用输入层接收用户需求文本及地理坐标等多模态数据；② 在处理层集成Transformer架构大语言模型（Large Language Model，LLM）与向量数据库，实现语义检索与知识增强；③ 约束验证模块生成可行方案；④ 基于反馈层动态更新知识库。实验验证表明，所提模型决策准确率达90%，较传统规则系统（Rule-Based Expert System，RBES）与机器学习模型（Machine Learning Model，MLM）绝对精度分别提升20%与9.8%。所提模型显著增强了卫星任务决策的适应性，有效解决了动态约束下的资源优化配置问题，具有工程应用潜力。

关键词

卫星任务需求决策 / 检索增强生成 / 大语言模型 / 多模态融合 / 约束优化 / 智能决策

Abstract

收起

To address the inadequacy of multimodal data fusion and complexities in dynamic constraint optimization for satellite mission requirement decision-making, an intelligent decision model is designed to enhance automation and accuracy. The proposed Retrieval-Augmented Generation (RAG)-based optimization model for satellite mission planning comprises: ① An input layer receiving multimodal data such as user requirement texts and geospatial coordinates, etc. ; ② A processing layer integrating Transformer-architecture Large Language Model ( LLM) with vector databases to enable semantic retrieval and knowledge augmentation; ③ A constraint verification module in the output layer generating feasible solutions; ④ A feedback layer dynamically updating the knowledge base. Experimental validation demonstrates 90% decision accuracy—achieving 20% and 9.8% absolute accuracy improvements over conventional Rule-Based Expert Systems ( RBES) and Machine Learning Models ( MLM ), respectively. The model significantly enhances adaptability in satellite mission decision-making, enables efficient resource allocation under dynamic constraints, and exhibits substantial engineering applicability.

Key words

satellite mission requirement decision-making / RAG / LLM / multimodal fusion / constraint optimization / intelligent decision-making

引用本文

马茜, 王港, 刘纾彤, 陈金勇. 基于检索增强生成的卫星任务需求决策优化模型. 无线电工程, 2025 , 55 (11) : 2316 -2324 . DOI: 10.3969/j.issn.1003-3106.2025.11.020

Qian MA, Gang WANG, Shutong LIU, Jinyong CHEN. Retrieval-augmented Generation-based Decision Optimization Model for Satellite Mission Requirement Planning[J]. Radio Engineering, 2025 , 55 (11) : 2316 -2324 . DOI: 10.3969/j.issn.1003-3106.2025.11.020

正文

收起

0　引言

收起

随着航天技术的飞速发展,遥感卫星已成为国民经济和国家安全的关键组成部分,其应用领域日益拓展,从简单的地球观测到复杂的深空探测,任务需求呈现出多元化、复杂化趋势。

遥感卫星任务需求决策的核心是通过综合分析用户需求、资源限制和应用目标,确定卫星观测任务的目标、优先级、参数配置及资源分配策略,以最优方式获取特定时空分辨率的遥感数据,服务于灾害监测、资源勘查、环境评估等实际应用需求。

当前遥感卫星任务规划存在如下技术难点：① 专家知识与数据驱动的平衡问题。传统人工经验依赖性强,而纯数据驱动模型（如支持向量机（Support Vector Machine,SVM）、随机森林）对语义化任务描述的理解能力不足,且缺乏领域知识的嵌入,导致决策可解释性降低。② 复杂约束条件下的实时决策优化。任务规划需满足时间窗口、能源消耗、载荷能力、轨道交叠等多重动态约束,传统优化算法在动态环境下的全局最优解求解效率低下,难以适应快速响应的任务需求。③ 多源异构信息的动态融合难题。遥感卫星任务涉及用户需求文本、地理坐标、气象数据、历史任务记录等多模态信息,需实时整合高维度数据并消除语义歧义,对多源异构信息的统一表达与融合提出了挑战。④ 动态环境与不确定性因素的处理。天气突变、卫星故障等不可预测事件可能导致任务中断,现有方法缺少灵活的风险评估与自适应调整机制,鲁棒性不足。

在航天系统资源配置与需求决策研究方面,学术界已取得若干创新性成果。Katsavounis^[1]从多项目协同管理视角出发,建立了融合成本约束与技术可行性的组合优化模型,为航天工程资源配置提供了新思路。王奕首^[2]创新性地采用性能描述树对卫星平台与载荷系统进行结构化表征,并开发了基于遗传算法的智能决策技术。针对地面站资源调度难题,冯宏胜等^[3]引入SVM回归方法,通过正交试验设计优化样本选择策略,该方法在特定场景下具有良好精度,但在处理多维强耦合任务决策问题时存在模型适应性不足的局限。

在航天工程实践中,任务决策方案往往高度依赖领域专家的经验判断,这种模式存在数据获取困难、决策逻辑难以量化建模等固有局限。针对这类小样本学习场景,研究者主要从算法改进角度寻求突破,何旭等^[4]开创性地构建了领域知识与SVM的协同学习框架,通过将专家经验转化为模型训练的先验约束,显著降低了对海量训练数据的依赖。然而该方法在知识表示标准化和算法泛化能力方面仍需完善,特别是专业经验与机器学习的内在融合机制有待进一步探索。段萌等^[5]提出的跨域迁移学习方案,通过预训练模型的特征迁移来增强小样本学习效果,但该技术路径在缺乏相关领域大数据支撑的应用场景中存在明显局限性。

近年来,LLM^[6]和RAG^[7]的快速发展为解决这一问题提供了新的途径。LLM凭借其强大的语义理解和信息生成能力,能够有效处理和分析大量的文本数据,并从中提取关键信息进行决策支持。RAG结合了LLM的信息生成能力和外部知识库的丰富信息,可以更准确、更全面地理解和回应用户需求,从而提升决策的可靠性,在处理航天任务中涉及到的专业知识和术语时,RAG的检索增强能力能显著提高决策的精准度。

本文基于上述技术背景,探索如何利用RAG和LLM等相关技术来解决卫星任务需求决策问题。① 提出融合RAG与LLM的联合决策模型：首次将RAG技术引入卫星任务需求决策领域,结合LLM的语义理解与生成能力,构建了一种动态知识检索与推理的混合模型,有效提升决策精准度。② 实现多模态信息的上下文感知融合：设计了基于注意力机制的多模态数据融合算法,将用户文本需求、地理信息、历史任务参数等异构数据转化为统一上下文表示,解决了现有方法中模态割裂的问题。③ 构建了可扩展的领域知识库与反馈机制：集成卫星平台参数库、专家规则库和动态更新的历史任务记录,通过RAG技术实现知识的高效检索与迭代优化,并引入用户反馈层持续校准模型输出。④ 提出面向卫星任务的约束自适应生成策略：在LLM生成端嵌入约束条件检查模块,结合优化算法动态修正任务配置方案,确保满足资源、时间等硬性约束,突破生成模型在结构化规则适配上的局限性。

本文后续章节按以下逻辑展开：

第1节：相关技术与研究现状。系统性分析遥感任务配置、LLM和RAG技术的发展现状,阐述现有技术的局限性及融合潜力。

第2节：研究方法。提出RAG决策优化模型的整体架构,详述输入层多模态数据解析、处理层检索与融合策略、输出层方案生成机制,以及反馈层的知识库迭代优化流程。

第3节：实验设计与验证。基于模拟数据集验证模型性能,对比RBES^[8]、MLM与RAG决策优化模型的准确率、召回率等指标,分析时间效率与可扩展性。

第4节：结束语。总结模型的创新性与实用性,探讨当前局限（如实时性优化、领域泛化能力）,并提出未来在星群协同规划、动态资源调度等场景的扩展方向。

1　相关技术与研究现状

收起

本文融合RAG和LLM解决卫星任务需求决策问题,探讨航天任务属性配置技术、LLM技术以及RAG技术的研究现状,并分析其在卫星任务需求决策领域的应用潜力。

1.1　航天任务属性配置技术发展

卫星任务的属性配置是复杂且多维度的,涉及任务目标、轨道参数、载荷配置、时间约束、资源分配等多个方面。传统的属性配置方法主要依靠专家经验和人工设计,存在效率低、易出错、难以应对复杂任务等问题。近年来,随着人工智能技术的快速发展,一些新的方法被提出,例如：

① 基于规则的专家系统。通过将专家的知识和经验转化为规则库,实现自动化的属性配置。然而,这种方法难以处理复杂的非线性关系,且维护成本较高。

② 基于优化算法的方法。利用遗传算法、模拟退火算法等优化算法,在各种约束条件下寻找最优的属性配置方案。这种方法能够处理复杂的约束条件,但计算复杂度较高,需要较长的计算时间。

③ 基于机器学习的方法。利用MLM（例如SVM^[9]、随机森林^[10]等）,学习历史任务数据中的模式,从而预测新任务属性配置。这种方法能够处理大规模数据,并具有一定的泛化能力,但模型的性能依赖于数据的质量和数量。

④ 基于深度学习的方法。利用深度学习模型（例如生成对抗网络^[11]、深度强化学习方法^[12]等）,通过神经网络自动挖掘高维数据的抽象特征,实现卫星任务属性的智能生成与动态决策。这种方法能够有效处理卫星影像、时序状态等非结构化数据,通过端到端学习机制捕获复杂任务场景中的隐含规律。相较于传统机器学习方法,深度学习模型在特征表征能力与非线性关系拟合方面更具优势,但其性能依赖于海量标注数据及充足的计算资源,且模型可解释性仍需进一步提升。

上述方法在一定程度上解决了卫星任务属性配置问题,但仍然存在一些局限性,例如缺乏对复杂语义信息的理解能力、难以处理多源异构数据,以及可解释性不足等。

1.2　LLM技术发展

LLM自从2017年Transformer^[13]模型架构被提出,近几年得到了快速发展,国内外涌现出了大量先进的大模型（DeepSeek^[14]、GPT-3^[15]、LaMDA^[16]等）,如图1所示。通过在海量文本数据上进行预训练,具备强大的自然语言处理能力,可以进行文本生成、翻译、问答等多种任务。LLM的强大能力使其在许多领域展现出巨大的应用潜力,包括信息提取与摘要^[17]、知识推理与预测、自然语言交互等。

然而,LLM也存在一些局限性,例如时效性受训练数据限制、可解释性不足、对训练数据的依赖性强、计算资源消耗大等。

1.3　RAG技术

RAG技术是一种将外部知识库与LLM相结合的创新方法,旨在克服LLM在知识依赖和信息完整性方面的局限性。RAG通过检索外部知识库中的相关内容,为LLM提供更丰富、更准确的背景信息,从而提升其生成结果的准确性和可靠性。这一技术在多个领域,尤其是对专业知识要求较高的场景中,展现出了巨大的应用潜力。

1.3.1　RAG技术的基本原理与架构

RAG技术的核心在于将检索机制与生成机制有机结合。其基本流程如下：首先,根据用户输入的查询请求,利用检索系统从外部知识库中检索出与查询相关的知识片段；其次,将这些检索到的知识片段与原始查询一起作为输入,传递给LLM；最后, LLM基于这些增强后的输入信息生成最终的输出结果。这种架构使得RAG能够充分利用外部知识库的丰富信息,弥补LLM自身知识储备的不足,尤其是在面对快速变化的知识或特定领域的专业问题时,能够提供更精准、更全面的答案。

1.3.2　RAG技术的研究进展

近年来,RAG技术在学术界和工业界都受到了广泛关注。2020年,Facebook AI Research（FAIR）团队首次提出了RAG模型,标志着RAG技术的正式诞生。此后,众多研究机构和企业纷纷投入到RAG技术的研究与应用中。研究方向主要包括以下几个方面：

① 检索机制的优化。早期的RAG模型采用基于稀疏表示的检索方法,如倒排索引、词频-逆文档频率（Term Frequency-Inverse Document Frequency, TF-IDF）等。然而,这些方法在处理复杂语义时存在一定的局限性。为了提高检索的准确性和效率,研究人员开始探索基于密集表示的检索方法,如利用BERT^[18]等预训练语言模型生成文本的语义向量,并通过向量相似度计算进行检索。例如,DPR（Dense Passage Retrieval）模型^[19]通过训练一个密集向量检索器,能够更精准地匹配查询与知识库中的相关文档,显著提升检索效果。

② 生成模型的改进。在RAG框架中,LLM是生成最终结果的核心组件。为了更好地利用检索到的知识,研究人员对LLM进行了多种改进。一方面,通过微调（fine-tuning）技术,使LLM能够更好地理解检索到的知识片段,并将其有机地融入到生成过程中；另一方面,一些研究提出了多阶段生成策略,例如先生成知识片段的摘要,再基于摘要生成最终答案,从而提高生成结果的质量和连贯性。

③ 跨模态RAG。随着多模态数据的广泛应用, RAG技术也开始向跨模态方向发展。例如,在图像描述生成任务中,除了检索与图像内容相关的文本知识外,还可以结合图像的视觉特征,通过跨模态检索获取更丰富的背景信息,从而生成更准确、更生动的图像描述。这种跨模态的RAG模型不仅能够处理单一模态的任务,还能在多模态融合的复杂场景中发挥重要作用。

1.3.3　RAG技术在卫星任务需求决策中的应用

在卫星任务需求决策中,RAG可以利用外部知识库（例如卫星参数数据库、任务历史记录、专家知识库等）提供更精准、全面的信息,从而辅助LLM进行更准确的决策。通过检索相关信息,RAG可以弥补LLM在特定领域知识方面的不足,并提升其对复杂任务的处理能力。

综上所述,卫星任务需求决策面临专家知识与动态数据融合难、复杂约束下实时优化不足以及多模态信息整合不充分等核心挑战。传统方法往往受限于静态规则与单一模态处理能力,而LLM凭借其强大的语义理解与上下文推理能力,为解析非结构化任务需求提供了新的可能；RAG技术则通过动态检索领域知识库,有效弥补LLM在专业术语、实时约束与结构化规则适配上的不足,形成“检索—增强—生成”的闭环决策链路。基于此,本文提出“RAG驱动知识增强+LLM支持逻辑生成+多模态联合优化”的融合思路,将LLM作为语义引擎提取需求意图,结合RAG技术从参数库、历史任务与专家规则中检索适配知识,并通过约束条件嵌入与迭代优化机制构建动态可扩展的决策框架,旨在实现知识驱动与数据驱动的有机协同,突破卫星任务智能化决策的瓶颈。

2　研究方法

收起

本文提出一种基于RAG的卫星任务需求决策优化模型,旨在提高卫星任务需求决策的效率和准确性。该方法的核心在于将LLM强大的语义理解和文本生成能力与结构化的知识库相结合,通过高效的检索机制和精细的融合策略,最终生成满足用户需求的合理、优化的卫星任务配置方案。

2.1　研究目标与应用场景

构建一个智能化的卫星任务需求决策优化模型^[20],目标包括：

① 提高决策效率。减少决策时间,加快任务规划和部署速度。

② 增强决策准确性。减少人为错误,提高决策的可靠性和一致性。

③ 提升决策透明度。使决策过程更加透明可追溯,方便专家进行复核和改进。

④ 支持多任务协同。为多个卫星任务的协同规划和调度提供决策支持。

在航天任务规划领域,卫星观测任务的生成与分配遵循一套标准化的技术流程。地面测控系统首先接收并解析卫星下传的各类遥测参数,通过专业数据处理手段提取目标特征参数、环境气象要素以及任务背景特征等关键信息。在此过程中,系统需要综合评估多种约束条件,包括但不限于：卫星平台资源可用性、有效载荷工作模式限制、观测几何条件要求等。基于这些输入参数,任务规划系统采用优化算法在有限资源条件下生成次优观测方案,具体确定载荷工作模式、成像参数设置、任务紧急程度、重访周期等核心属性。这些经过精确配置的任务参数将作为多星协同调度系统的输入基础,为后续的复杂任务编排提供数据支撑。

2.2　RAG决策优化模型架构

本系统架构设计采用输入层、处理层、输出层以及反馈层4层结构,如图2所示。

输入层包括文本形式的用户任务需求描述,知识库中检索到多模态数据相关信息以及约束条件。其中,用户输入主要包括任务目标描述、目标区域信息等；知识库数据主要包括与任务目标相关的图像、传感器参数、历史任务数据等；约束条件主要包括时间约束、资源约束和其他约束（例如天气条件、光照条件等）。

处理层包含接收、融合、生成3个模块。接收模块：接收用户输入的任务需求,并从知识库中检索出相关的多模态信息。该模块需要采用高效的检索算法,例如基于向量数据库的语义检索算法。融合模块：将检索到的多模态信息与用户输入进行融合,构建上下文信息。该模块需要采用合适的融合策略和算法,例如基于注意力的融合、基于图神经网络的融合等。生成模块：将融合后的上下文信息输入到LLM中,生成最终的卫星任务需求方案。该模块需要采用合适的提示工程技术,引导LLM生成高质量的方案。此外,还需要集成一个约束条件检查模块,确保生成的方案满足所有约束条件。如果不满足,则需要进行迭代优化,直至生成满足所有约束条件的方案。

输出层输出完整的卫星任务需求方案,包含卫星平台选择、载荷配置、轨道参数、时间安排、数据处理要求、风险评估等。

反馈层针对输出层得到的卫星任务需求方案,由用户或专家进行评估,将评估结果更新知识库,优化和校准后续任务。

整个模型需要进行充分的训练和测试,以确保其性能和可靠性。模型的评估指标可以包括决策效率、方案质量、约束条件满足率、可解释性等。为了提高模型的泛化能力,需要使用足够大的数据集进行训练,并采用合适的模型评估方法。模型的持续改进需要依靠反馈机制,收集用户反馈和专家意见,不断优化模型的性能。

2.3　关键技术应用

2.3.1　RAG检索生成

基于RAG的卫星任务需求决策优化模块采用“检索—增强—生成”的交互式架构,其核心流程包含语义检索、知识过滤与约束嵌入3个步骤。首先,针对用户输入的文本需求（如“执行台风灾害监测”）,基于向量化编码器将其映射为上下文相关的语义向量q∈R ^d,并通过向量数据库检索相关性最高的历史任务记录与专家规则。假设知识库中共存有项数据条目{k_i},检索得分S（q,k_i）基于归一化负余弦距离计算：

选取Top-K高相关度知识项后,使用动态门控机制对检索结果加权融合：

式中：K表示加权融合后的上下文向量,K表示选取的高相关度知识项的数量,α_j表示第j个知识项k_j的权重,k_j表示选中的第j个知识项对应的向量,⊕表示向量拼接,MLP表示多层感知机。

检索增强后的上下文C输入至LLM生成模块,结合领域约束条件（如卫星平台参数、轨道动力学方程）进行条件式生成。生成阶段采用约束正则化损失函数

_c,确保输出方案y满足资源与时间限制：

式中：

_c表示约束正则化损失函数的值,M表示约束条件的类别总数,λ_i表示惩罚权重,g_i（y）表示第i类约束的实际消耗值（如能源需求）,c_i表示对应约束上限。通过迭代优化（如梯度投影法）修正生成方案,直至满足所有硬性约束g_i（y）≤c_i。

2.3.2　多模态融合编码

针对卫星任务中用户需求文本X_text、地理坐标X_geo及历史任务参数X_hist等多模态异构数据,设计基于跨模态注意力机制的特征融合编码器,实现信息统一表征。

（1）模态编码,对各模态数据分别编码。① 文本模态：采用BERT^[18]模型提取语义特征F_text∈R^d；② 地理模态：通过位置编码与空间金字塔网络获取多尺度地理特征F_geo∈R^d；③ 历史参数模态：使用LSTM^[21]-Transformer混合网络提取时序特征F_hist∈R^d。

（2）跨模态对齐。通过双流注意力层建立模态间交互关系,学习文本-地理-历史的联合语义表示：

式中：A_ij表示从模态i到模态j的注意力权重,用于衡量模态i的特征对模态j的特征的影响程度,通过计算查询向量和键向量的点积再归一化得到；F_i表示第j个模态的特征向量,经过注意力机制后,其贡献程度由对应的注意力权重A_ij决定；W_Q、W_K、W_V表示投影矩阵,分别用于将特征向量投影到查询（Query）、键（Key）、值（Value）空间,以便计算注意力权重和进行特征融合；i、j表示不同的模态类型,取值为{text, geo, hist},分别对应文本、地理、历史模态；F_fused表示融合后的特征向量,包含文本、地理、历史模态的联合语义信息,能更全面地表示卫星任务需求。

（3）特征压缩与决策适配。采用门控残差网络（Gated Residual Networks,GRN）降维至任务适配空间：

式中：F_task表示经过GRN处理后的任务特征向量,已降维至任务适配空间,用于后续的卫星任务决策生成；W_g表示权重矩阵,用于对输入特征x进行线性变换,与偏置b_g组合后作为Sigmoid函数的输入,生成门控信号；W_r表示权重矩阵,用于对输入特征x进行线性变换,生成待与门控信号相乘的特征向量；σ表示Sigmoid函数,☉表示逐元素乘法。

实验表明,多模态融合机制在测试集中将任务参数误配率降低了14.2%,推理速度提升了22%（对比单模态基线）。融合后的特征进一步通过约束条件筛选模块生成可执行的卫星任务方案,最终决策流程时间复杂度为O（N+K·T_LLM）,其中T_LLM为LLM生成单步耗时。

3　实验设计与验证

收起

本节阐述卫星智能任务需求决策模型的实验设计和结果分析。由于实际数据集和计算资源的限制,以下数值为模拟数据的实验结果,用于验证本文所提方法。

3.1　实验设置

3.1.1　数据集介绍

本实验所使用数据集的制备。该模拟混合数据集通过多源异构数据融合技术构建,其获取途径主要包括：① 历史任务记录的系统归档,整合了卫星地面站的任务日志和遥测数据；② 专家知识的结构化抽取,将领域专家的决策经验转化为可量化的评价指标；③ 设备参数的标准化采集,基于卫星平台和载荷的官方技术文档建立参数库。数据集构建过程中采用了时间序列对齐、地理坐标转换等技术手段,确保各类参数的时空一致性,并通过专家评分机制对模拟数据进行质量校验。

数据集包含500条历史卫星任务记录（训练集350条、验证集50条、测试集100条）。数据涵盖任务需求、约束条件、设备参数及专家知识,具体组织结构如表1数据集构成及核心字段说明,卫星平台参数及载荷设备参数如表2和表3所示。

3.1.2　评价指标定义

实验采用以下评价指标,并使用测试集进行评估。

① 准确率（Accuracy）：正确预测卫星平台和载荷组合的比例。

② 召回率（Recall）：所有正确组合中被模型预测到的比例。

③ 精确率（Precision）：模型预测为正确的卫星平台和载荷组合中,实际确实正确的比例。

④ F1值（F1-score）：精确率和召回率的调和平均数（2×（Precision×Recall）/（Precision+ Recall））。

⑤ 平均绝对误差（Mean Absolute Error,MAE）：模型预测的专家评价评分与真实专家评价评分的平均绝对差值。较低的MAE表示模型预测结果更接近专家评估。

⑥ 执行时间：模型在测试集上完成所有任务需求预测的平均时间（单位s）。

3.2　决策优化性能实验分析

实验采用了模拟混合数据集（500条历史卫星任务记录）,划分为训练集（350条）、验证集（50条）和测试集（100条）,涵盖任务需求、约束条件、设备参数及专家知识等多维信息。

测试次数与验证方法：性能指标基于5次独立测试的平均值（每次均重新随机划分训练、测试集）,以减少随机性偏差。最终报告数据为100条测试集在5次运行中的综合均值,标准差控制在±0.02（准确率）和±0.05（MAE）以内。

实验对比了3种模型对卫星任务需求决策支持的性能数据。

① 基于规则的专家系统（RBES）：一个传统的基于专家规则的决策系统。

② 基于机器学习的模型（MLM）：一个基于随机森林的分类模型,仅使用结构化数据作为输入。

③ 本文提出的RAG决策优化模型：结合RAG和LLM的模型,利用多模态数据和专家知识。

从实验数据对比可见,在同等硬件条件下,RAG决策优化模型在关键指标上表现显著优于对比模型,具体如表4所示。

具体分析如下：

① 在准确率方面,RAG决策优化模型达到0.90,分别较RBES（0.75）和MLM（0.82）高出20%和9.8%。其中MLM的准确率较RBES有9.3%的相对提升,表明数据驱动方法对RBES的改良效果有限,而RAG决策优化模型通过融合领域知识和大模型泛化能力实现跨越式改进。

② F1值维度上,RAG决策优化模型（0.89）相比RBES（0.72）和MLM（0.80）分别提高了23.6%和11.2%。这表明模型在精确率与召回率的平衡上更为优异,特别是通过RAG技术引入专家规则库后,误判高风险任务的情况减少约43%（对比MLM误判率）。

③ 针对MAE,RAG决策优化模型将评分偏差从RBES的0.8、MLM的0.7降低至0.5,分别优化了37.5%和28.6%。主要归因于LLM对专家评分文本的语义解析能力结合多模态数据融合,使得任务优先级和资源配置更贴近真实决策逻辑。

④ 执行时间方面,RAG决策优化模型的2.5 s显著高于RBES的0.5 s和MLM的1.2 s。性能损耗主要源于向量数据库检索和LLM多轮迭代优化环节。

综上,RAG决策优化模型在决策质量上全面领先,但在实时性方面面临较大挑战。后续可从以下方向优化：压缩向量检索空间维度、采用轻量化LLM微调,以及预编译高频约束规则库以实现加速计算。

4　结束语

收起

本文提出了一种基于RAG的卫星智能任务决策框架模型,融合了历史任务数据、卫星参数、地理信息和专家知识库等多源异构数据。该模型利用RAG技术检索知识,结合LLM推理能力,实现了智能化决策,适用于地球观测、通信导航等任务。实验表明,其决策准确率达90%,较RBES和MLM分别提高20%和9.8%,F1值提升至0.89,平均评分偏差降至0.5。模型核心优势包括：多模态融合有效性,通过跨模态注意力机制,任务参数误配率降低14.2%；动态约束优化能力,约束正则化损失函数确保方案满足资源与时间限制,MAE=0.5,决策质量接近专家水平；小样本鲁棒性,仅用350条训练数据即实现90%准确率,优于传统深度学习模型。

未来研究方向包括：实时性优化,通过向量数据库压缩、模型压缩和量化降低推理延迟；星群协同扩展,构建多智能体交互机制实现星座级任务分配；动态风险管控,引入强化学习提升约束规则履约率至0.95以上。此外,需通过硬件在环仿真验证模型在极端场景下的鲁棒性,以支持星上边缘计算部署。

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

KATSAVOUNIS

. Scheduling Multiple Concurrent Projects Using Shared Resources with Allocation Costs and Technical Constraints[C]//2008 3rd International Conference on Information and Communication Technologies:From Theory to Applications. Damascus:IEEE,2008:1-6.

[2]

王奕首.卫星有效载荷配置和布局设计方法[D].大连:大连理工大学,2008.

[3]

冯宏胜,陈杨,武小悦.卫星地面站资源配置的SVM回归模型[J].飞行器测控学报,2011,30(2):15-19.

[4]

何旭,姜宪国,张沛超,等.基于SVM的小样本条件下继电保护可靠性参数估计[J].电网技术, 2015, 39(5):1432-1437.

[5]

段萌,王功鹏,牛常勇.基于卷积神经网络的小样本图像识别方法[J].计算机工程与设计,2018,39(1):224-229.

[6]

罗锦钊,孙玉龙,钱增志,等.人工智能大模型综述及展望[J].无线电工程,2023,53(11):2461-2472.

[7]

赵静,汤文玉,霍钰,等.大模型检索增强生成(RAG)技术浅析[J].中国信息化,2024(10):71-72.

[8]

刘乙乐,牛艺珂,王锌睿,等.从专家系统、知识自动化到科研智能化:KIM系统的发展演化[J].情报理论与实践,2025,48(7):74-80.

[9]

丁世飞,孙玉婷,梁志贞,等.弱监督场景下的支持向量机算法综述[J].计算机学报,2024,47(5):987-1009.

[10]

陈伽洛,陈龙然.决策树与随机森林[J].信息与电脑(理论版),2019,31(17):43-45.

[11]

冯小恩.基于GAN的卫星任务场景生成及任务属性智能配置[D].哈尔滨:哈尔滨工业大学,2019.

[12]

王港,帅通,陈金勇,等.基于深度强化学习的航天信息综合应用与决策研究[J].无线电工程,2019,49(7):564-570.

[13]

VASWANI

,SHAZEER

,PARMAR

,et al. Attention Is All You Need[EB/OL]. (2023-08-02)[2025-03-01]. https://arxiv.org/abs/1706.03762.

[14]

DAI

D M

,DENG

C Q

,ZHAO

C G

,et al. DeepSeekMoE: Towards Ultimate Expert Specialization in Mixture-of-experts Language Models[EB/OL]. (2024-01-11)[2025-03-20]. https://arxiv.org/abs/2401.06066.

[15]

BROWN

,MANN

,RYDER

,et al. Language Models Are Few-shot Learners[EB/OL]. (2020-05-28)[2024-07-22].https://arxiv.org/abs/2005.14165.

[16]

THOPPILAN

,DEFREITAS

,HALL

,et al. LaMDA:Language Models for Dialog Applications[EB/OL]. (2022-02-10)[2022-07-22]. https://arxiv.org/abs/2201.08239.

[17]

孙凯丽,罗旭东,罗有容.预训练语言模型的应用综述[J].计算机科学,2023,50(1):176-184.

[18]

DEVLIN

, CHANG

M W

, LEE

, et al. BERT: Pretraining of Deep Bidirectional Transformers for Language Understanding[EB/OL]. (2018-10-11)[2025-05-24]. https://arxiv.org/abs/1810.04805.

[19]

KARPUKHIN

,OĞUZ

,MIN

,et al. Dense Passage Retrieval for Open-domain Question Answering[EB/OL]. (2020-04-10)[2025-03-30]. https://arxiv.org/abs/2004.04906.

[20]

张超.星地一体智能任务规划与管控技术研究[D].北京:中国电子科技集团公司电子科学研究院,2023.

[21]

HOCHREITER

, SCHMIDHUBER

. Long Short-Term Memory[J]. Neural Computation,1997,9(8):1735-1780.

2025年第55卷第11期

PDF下载

129

引用本文

BibTeX

文章信息

doi: 10.3969/j.issn.1003-3106.2025.11.020

接收时间：2025-07-16
首发时间：2026-04-17
出版时间：2025-11-05

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2025-07-16

基金

作者信息

^1.中国电科网络通信研究院,河北石家庄 050081

^2.中国人民解放军94804 部队,上海 200000

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/wxdgc/CN/10.3969/j.issn.1003-3106.2025.11.020

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

字段名称	数据类型	示例/取值范围	描述
任务目标	文本	“灾害监测”“资源勘查”	用户需求的任务目标文本描述
目标区域	地理坐标	“39.904 2°N, 116.407 4°E”	目标区域的经纬度坐标（附带地形高程数据）
时间窗口（开始时间）	时间戳	“2024-05-01T10：00：00”	任务执行的起始时间
时间窗口（结束时间）	时间戳	“2024-05-01T12：30：00”	任务执行的结束时间
天气条件	类别	晴朗/多云/阴雨	任务执行时的气象条件
卫星平台选择	类别	A/B/C	可选3种卫星平台（参数见表2）
载荷选择	类别	X/Y/Z	可选3种载荷设备（参数见表3）
任务结果	布尔值	成功/失败	任务执行结果标签
专家评价	数值	1月5日	专家对任务方案的综合评分（5分为最优）

字段名称

数据类型

示例/取值范围

描述

任务目标

文本

“灾害监测”“资源勘查”

用户需求的任务目标文本描述

目标区域

地理坐标

“39.904 2°N, 116.407 4°E”

目标区域的经纬度坐标（附带地形高程数据）

时间窗口（开始时间）

时间戳

“2024-05-01T10：00：00”

任务执行的起始时间

时间窗口（结束时间）

时间戳

“2024-05-01T12：30：00”

任务执行的结束时间

天气条件

类别

晴朗/多云/阴雨

任务执行时的气象条件

卫星平台选择

类别

A/B/C

可选3种卫星平台（参数见表2）

载荷选择

类别

X/Y/Z

可选3种载荷设备（参数见表3）

任务结果

布尔值

成功/失败

任务执行结果标签

专家评价

数值

1月5日

专家对任务方案的综合评分（5分为最优）

卫星平台	分辨率/m	视场角/（°）	轨道类型
A	1.5	30	太阳同步轨道
B	2.4	45	近地轨道（Low Earth Orbit, LEO）
C	5	60	地球同步轨道（Geostationary Earth Orbit, GEO）

卫星平台

分辨率/m

视场角/（°）

轨道类型

1.5

太阳同步轨道

2.4

近地轨道（Low Earth Orbit, LEO）

地球同步轨道（Geostationary Earth Orbit, GEO）

载荷类型	分辨率/m	波段范围	适用场景
X（光学载荷）	1.5	450～900/nm	高分辨率地表成像
Y（多光谱载荷）	5	400～2500/nm	环境与植被监测
Z（合成孔径雷达载荷）	3	L波段（1～2 GHz）	全天气/夜间监测

载荷类型

分辨率/m

波段范围

适用场景

X（光学载荷）

1.5

450～900/nm

高分辨率地表成像

Y（多光谱载荷）

400～2500/nm

环境与植被监测

Z（合成孔径雷达载荷）

L波段（1～2 GHz）

全天气/夜间监测

模型	Accuracy	F1-score	MAE	执行时间/s
RBES	0.75	0.72	0.8	0.5
MLM	0.82	0.80	0.7	1.2
RAG决策优化模型	0.90	0.89	0.5	2.5

模型

Accuracy

F1-score

MAE

执行时间/s

RBES

0.75

0.72

0.8

0.5

MLM

0.82

0.80

0.7

1.2

RAG决策优化模型

0.90

0.89

0.5

2.5