一种基于机器学习反演小行星重力场及内部结构的方法

本发明提供一种基于机器学习反演小行星重力场及内部结构的方法，在训练基于机器学习的行星深度神经重力场网络模型时，实际上是在根据外部观测信息推测小行星的内部密度分布，该过程又称为重力反演。使用基于深度学习的行星深度神经重力场模型进行重力反演，能够通过损失函数的方式进行多种形式的先验密度约束，进而减小重力反演优化的搜索空间，提高重力反演的稳定性和准确性。行星深度神经重力场模型能够整合多源重力观测数据处理，并且能够同时编码小行星的重力场模型、内部结构模型和三维形状模型。本发明将提高行星探测的科学价值和实用意义，为深空探测提供有益的理论支持和实践指导。