基于张量分解的卫星遥测缺失数据预测算法

发布时间：2021-02-06 16:23

　　卫星健康状况监测是卫星安全保障的重要基础,而卫星遥测数据又是卫星健康状况分析的唯一数据来源。因此,卫星遥测缺失数据的准确预测是卫星健康分析的重要前瞻性手段。针对极轨卫星多组成系统、多仪器载荷以及多监测指标形成的高维数据特点,该文提出一种基于张量分解的卫星遥测缺失数据预测算法（TFP）,以解决当前数据预测方法大多面向低维数据或只能针对特定维度的不足。所提算法将遥测数据中的系统、载荷、指标以及时间等多维因素作为统一的整体进行张量建模,以完整、准确地表达数据的高维特征;其次,通过张量分解计算数据模型的成分特征,通过成分特征可对张量模型进行准确重构,并在重构过程中对缺失数据进行准确预测;最后,提出一种高效的优化算法实现相关的张量计算,并对算法中最优参数设置进行严格的理论推导。实验结果表明,所提算法的预测准确度优于当前大部分预测算法。 

【文章来源】：电子与信息学报. 2020,42(02)北大核心

【文章页数】：7 页

【部分图文】：

预测误差在不同区间的分布

×···×INI1,I2,···,IN根据式(1)，R表示张量的秩，一般张量的秩很难精确判定[16]，对于一个张量，其秩由其形状即确定[17]，一般通过实验的方法寻找最优的R。在期望预测精度P=0.01的基础上，测试了不同R取值对实际预测精度的影响，并通过最优实际预测精度确定相应的R值为最优。随机取原数据集20%的数据为训练集，不同R取值下，实际预测精度如图2所示。在相似的预测精度下TFP算法选择最小的R取值，以降低预测算法的时间复杂度。图1预测误差在不同区间的分布图2R取值对预测精度的影响表1TFP算法与其它5个方法的对比方法数据密度5%数据密度10%数据密度20%数据密度50%MAERMSEMAERMSEMAERMSEMAERMSENMF0.61751.57890.60071.54850.59861.52330.48701.4847PMF0.56871.47920.49841.28420.44921.18550.40061.0820UPCC0.62041.40100.55131.31390.48751.23430.31141.0749IPCC0.68861.42780.59081.32450.44541.20940.28951.1724TA0.62391.40580.53601.30450.44961.20300.21061.0988TFP0.38150.94690.30730.75970.22700.56190.12350.3150第2期马友等：基于张量分解的卫星遥测缺失数据预测算法407

【参考文献】：
期刊论文
[1]基于潜在主题的混合上下文推荐算法[J]. 李平,张路遥,曹霞,胡检华.  电子与信息学报. 2018(04)
[2]一种综合考虑主客观权重的Web服务QoS度量算法[J]. 马友,王尚广,孙其博,杨放春.  软件学报. 2014(11)



本文编号：3020744