本文關(guān)鍵詞：衛(wèi)星在軌狀態(tài)異變的演變趨勢分析與預(yù)測算法研究

  更多相關(guān)文章： 衛(wèi)星異變狀態(tài) 時間序列預(yù)測 ARMA預(yù)測模型 模糊聚類 相似度

【摘要】：由于衛(wèi)星對于國家具有極其重要的戰(zhàn)略意義,并且衛(wèi)星的制作費用昂貴,衛(wèi)星的健康與故障是近來專家學(xué)者研究的重要課題。又由于衛(wèi)星被各種因素的干擾極多,所以對衛(wèi)星在軌異變狀態(tài)的預(yù)測就變得意義尤其重大。相應(yīng)的,這樣又使得對其的預(yù)測更加困難。本論文基于衛(wèi)星異變數(shù)據(jù),從兩個方向來研究預(yù)測算法。第一是基于趨勢的預(yù)測方法,其中通過小波算法區(qū)分高頻分量和低頻分量,再運用ARMA預(yù)測模型,SVR預(yù)測模型對各分量進行預(yù)測,最后得到了有效的預(yù)測結(jié)果。第二是基于相似度的預(yù)測算法,論文中創(chuàng)新性的提出了通過模糊聚類的方法,求得相似的序列區(qū)間,通過相似度的匹配進行預(yù)測,準確預(yù)測到衛(wèi)星異變發(fā)生的時間點。第一,基于趨勢的預(yù)測方法中,本論文針對衛(wèi)星實測數(shù)據(jù)的特性,提出了通過基于小波分解、SVR預(yù)測模型、ARMA預(yù)測模型的優(yōu)化方法。由于衛(wèi)星信號中含有很多高頻的抖動,所以本文中先通過小波分解將信號分為低頻的走向趨勢和高頻的信號抖動。再對低頻分量用SVR預(yù)測模型來開展預(yù)測實驗,對高頻分量用ARMA預(yù)測模型來開展預(yù)測實驗。最后將兩項預(yù)測結(jié)果進行小波重構(gòu)得到最后的預(yù)測結(jié)果。第二,基于相似度的預(yù)測算法中,本論文創(chuàng)新性的將模糊聚類算法運用到相似度匹配預(yù)測中,模糊聚類主要對歷史相似數(shù)據(jù)區(qū)域進行劃分和選取。首先將歷史數(shù)據(jù)庫中的數(shù)據(jù)段,利用模糊聚類算法對不同的異變類型聚類。再將待預(yù)測數(shù)據(jù)段和數(shù)據(jù)類型庫中的數(shù)據(jù)段做相似度匹配,根據(jù)匹配到的歷史數(shù)據(jù)段的相應(yīng)參數(shù)和特性來預(yù)測需要的預(yù)測值。此方案得到的預(yù)測結(jié)果在誤差指標上較于常用的相似度匹配預(yù)測算法有一個數(shù)量級的提升。綜合以上兩方面,本論文基于衛(wèi)星發(fā)生緊急異變的仿真情況下,提出了一種聯(lián)合基于趨勢預(yù)測和基于相似度預(yù)測綜合預(yù)測算法,解決了在此情況下實驗數(shù)據(jù)樣本不足的問題。通過本論文對衛(wèi)星在軌狀態(tài)異變的預(yù)測算法研究,能夠準確的對衛(wèi)星異變發(fā)生的時間段進行預(yù)估,解決了衛(wèi)星健康管理工作上的實際問題。同時,在相似度匹配預(yù)測方面,創(chuàng)新性提出了融合模糊聚類的匹配算法,為處理復(fù)雜信號的預(yù)測提供了一條新的思路。
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：V467;V557

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 華中平;肖定華;張立;彭安華;;基于相似聚類分析的交叉口交通流量預(yù)測[J];湖北工業(yè)大學(xué)學(xué)報;2006年05期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 任能;制冷系統(tǒng)故障檢測、診斷及預(yù)測研究[D];上海交通大學(xué);2008年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前2條

1 于龍;基于模糊聚類選取相似日的短期電力負荷預(yù)測[D];上海交通大學(xué);2013年

2 陳樂;基于加權(quán)相似度和加權(quán)支持向量機的短期電力負荷預(yù)測研究[D];華南理工大學(xué);2012年

，

本文編號：1206733