發(fā)布時(shí)間：2025-03-18 06:07

　　航天器遙測(cè)數(shù)據(jù)是衛(wèi)星地面應(yīng)用系統(tǒng)判讀星載設(shè)備狀態(tài)的唯一依據(jù)。對(duì)遙測(cè)數(shù)據(jù)未來(lái)變化趨勢(shì)進(jìn)行準(zhǔn)確預(yù)測(cè),是航天器異常檢測(cè)的有效方法。傳統(tǒng)基于滑動(dòng)自回歸平均模型、機(jī)器學(xué)習(xí)的遙測(cè)數(shù)據(jù)預(yù)測(cè)方法,在以下幾個(gè)方面存在不足:(1)沒(méi)有綜合考慮與被預(yù)測(cè)遙測(cè)參數(shù)有關(guān)聯(lián)關(guān)系的其他遙測(cè)數(shù)據(jù);(2)大多研究聚焦于遙測(cè)時(shí)間序列的點(diǎn)預(yù)測(cè),而現(xiàn)有區(qū)間預(yù)測(cè)方法對(duì)區(qū)間寬度、區(qū)間覆蓋率等性能指標(biāo)考慮不足;(3)對(duì)平穩(wěn)數(shù)據(jù)預(yù)測(cè)效果較好,對(duì)具有突變特征的遙測(cè)預(yù)測(cè)欠佳。論文在對(duì)現(xiàn)有遙測(cè)時(shí)間序列的點(diǎn)預(yù)測(cè)、區(qū)間預(yù)測(cè)方法進(jìn)行充分調(diào)研的基礎(chǔ)上,針對(duì)遙測(cè)數(shù)據(jù)預(yù)測(cè)的上述缺陷,提出了基于注意力機(jī)制的自編碼神經(jīng)網(wǎng)絡(luò)方法,對(duì)遙測(cè)數(shù)據(jù)進(jìn)行多步點(diǎn)預(yù)測(cè)和區(qū)間預(yù)測(cè),并采用先導(dǎo)專(zhuān)項(xiàng)地面支撐系統(tǒng)量子衛(wèi)星遙測(cè)數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)。論文主要研究?jī)?nèi)容如下:1)針對(duì)衛(wèi)星遙測(cè)數(shù)據(jù)密度大、變化緩慢等特征,對(duì)遙測(cè)數(shù)據(jù)進(jìn)行預(yù)處理。包括對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行壓縮以構(gòu)造新特征值,使其符合所提預(yù)測(cè)模型的輸入輸出要求;采用數(shù)據(jù)可視化分析方法,對(duì)數(shù)據(jù)進(jìn)行可視化分析,繪制出箱線圖分析原始數(shù)據(jù)分布的特征;針對(duì)量綱不統(tǒng)一的數(shù)據(jù)進(jìn)行歸一化處理;采用最大信息系數(shù)對(duì)遙測(cè)數(shù)據(jù)相關(guān)性分析,選取對(duì)預(yù)測(cè)目標(biāo)關(guān)聯(lián)的遙測(cè)變量;...

【文章頁(yè)數(shù)】：95 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1.1本文結(jié)構(gòu)框架

基于注意力機(jī)制神經(jīng)網(wǎng)絡(luò)的遙測(cè)數(shù)據(jù)預(yù)測(cè)方法16圖1.1本文結(jié)構(gòu)框架論文分為五個(gè)章節(jié)進(jìn)行討論，具體安排如下：第一章，緒論。介紹本文的研究背景和意義，歸納總結(jié)國(guó)內(nèi)外針對(duì)遙測(cè)時(shí)間序列數(shù)據(jù)預(yù)測(cè)方法的研究現(xiàn)狀，提出本文的主要研究?jī)?nèi)容與研究路線。第二章，預(yù)測(cè)算法研究理論基矗詳細(xì)介紹遙測(cè)時(shí)間序列....

圖2.1遙測(cè)數(shù)據(jù)變化趨勢(shì)類(lèi)型圖

第2章預(yù)測(cè)算法研究理論基礎(chǔ)19(c)周期與突變型組合圖2.1遙測(cè)數(shù)據(jù)變化趨勢(shì)類(lèi)型圖圖2.1(c)所示為先導(dǎo)專(zhuān)項(xiàng)地面支撐系統(tǒng)量子衛(wèi)星鋰電池電流遙測(cè)數(shù)據(jù)。通過(guò)數(shù)據(jù)變化趨勢(shì)可以看出，鋰電正常時(shí)電流值在一定范圍內(nèi)周期性波動(dòng)，當(dāng)出現(xiàn)異常時(shí)，數(shù)據(jù)突變。整體表現(xiàn)為非線性的周期性波動(dòng)，局部為線性....

圖2.2AR模型預(yù)測(cè)流程圖

第2章預(yù)測(cè)算法研究理論基礎(chǔ)25圖2.2AR模型預(yù)測(cè)流程圖2.2支持向量回歸SVR模型給定訓(xùn)練樣本Rimm,),(,),,(),,(yyxyxyxD2211,學(xué)習(xí)一個(gè)回歸模型)(bxxfT使得模型輸出f(x)與真實(shí)輸出y盡可能接近，、b為待確定的模型參數(shù)。支持向量回歸模型假設(shè)容忍模....

圖2.3SVR模型回歸間隔帶

第2章預(yù)測(cè)算法研究理論基礎(chǔ)25圖2.2AR模型預(yù)測(cè)流程圖2.2支持向量回歸SVR模型給定訓(xùn)練樣本Rimm,),(,),,(),,(yyxyxyxD2211,學(xué)習(xí)一個(gè)回歸模型)(bxxfT使得模型輸出f(x)與真實(shí)輸出y盡可能接近，、b為待確定的模型參數(shù)。支持向量回歸模型假設(shè)容忍模....

本文編號(hào)：4036123