机器学习在趋势预测中的研究及应用
发布时间：2021-11-20 09:00
作为一种集成多种高精尖科技的大型复杂系统,卫星发挥的作用已经体现在各种领域中,并占有无可替代的位置。然而,卫星常年暴露在恶劣的宇宙环境中,会受到太阳活动、宇宙射线,太空垃圾等外界因素的干扰,同时其在工作过程中由于一些内部自身因素,都会导致故障的发生。卫星在长期监测管理的过程中,会产生大量遥测数据,从中可挖掘出各种有用信息,然后有效利用关键参数的潜在变化规律来进行未来趋势预测,对于卫星正常工作具有重要意义。本文将机器学习算法应用于卫星关键参数趋势预测中,主要有如下几部分:（1）针对卫星关键参数受噪声影响、数据缺失以及机器学习预测模型选择问题,分析比较了几种常用方法和3种评价指标,提出了基于BAS优化的自适应小波阈值去噪算法,实验数据表明该算法可行且有效。（2）利用浅层学习模型中的快速学习网络（FLN）、Elman神经网络以及回声状态网络（ESN）实现趋势预测。针对传统ESN当前时刻的状态值与前一时刻的状态值没有直接关系,因此通过增加调节参数β来控制前一个时刻神经元的状态,提高ESN的记忆能力。由于采用最小二乘回归法训练网络输出权值可能存在解的“奇异”问题,则采用岭回归算法（Ridge R...
【文章来源】：西安理工大学陕西省
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 趋势预测方法综述
1.3 国内外研究现状
1.3.1 国外研究现状
1.3.2 国内研究现状
1.4 论文研究内容与结构
2 相关理论和关键技术
2.1 机器学习概述
2.2 机器学习的类型
2.2.1 人工神经网络
2.2.2 深度学习
2.2.3 群智能优化算法
2.3 机器学习预测模型的设计步骤
2.4 预测模型的评价指标
2.5 数据预处理
2.5.1 缺失值处理
2.5.2 数据降噪
2.5.3 数据标准化
2.6 本章小结
3 浅层学习模型研究
3.1 快速学习网络
3.2 Elman神经网络
3.3 回声状态网络
3.3.1 ESN网络
3.3.2 改进的回声状态网络
3.3.3 SSA算法优化RMESN模型
3.4 本章小结
4 深度学习模型研究
4.1 长短时记忆网络
4.1.1 循环神经网络
4.1.2 长短时记忆网络
4.2 长短时记忆网络的优势
4.3 改进的集成经验模态分解方法
4.3.1 经验模态分解
4.3.2 改进的集成经验模态分解法
4.4 基于MEEMD-LSTM的预测方法研究
4.5 本章小结
5 卫星锂离子电池容量趋势预测实例研究
5.1 实验数据分析
5.1.1 数据来源
5.1.2 间接健康因子选取
5.1.3 相关性分析
5.2 浅层学习模型实例分析
5.2.1 快速学习网络实例分析
5.2.2 Elman神经网络实例分析
5.2.3 回声状态网络实例分析
5.3 深度学习模型实例分析
5.3.1 容量的MEEMD分解
5.3.2 MEEMD-LSTM模型实例分析
5.4 本章小结
6 综合电子系统健康监测软件实现
6.1 MATLAB与C#联合编程
6.1.1 开发环境简介
6.1.2 C#与MATLAB混编过程
6.2 综合电子系统健康监测软件框架及实现
6.3 综合电子系统健康监测软件使用实例
6.3.1 功能模块实例验证
6.3.2 C#生成辅助决策报告
6.4 本章小结
7 总结与展望
7.1 全文总结
7.2 研究展望
致谢
参考文献
攻读学位期间主要研究成果
【参考文献】：
期刊论文
[1]基于深度学习的交通流量预测[J]. 刘明宇,吴建平,王钰博,何磊. 系统仿真学报. 2018(11)
[2]改进阈值提升小波和自适应滤波器的开放光路红外光谱去噪[J]. 鞠薇,鲁昌华,张玉钧,蒋薇薇,汪济洲,鲁一冰. 光谱学与光谱分析. 2018(06)
[3]基于长短时记忆网络的人体姿态检测方法[J]. 郑毅,李凤,张丽,刘守印. 计算机应用. 2018(06)
[4]基于BAS-BP模型的风暴潮灾害损失预测[J]. 王甜甜,刘强. 海洋环境科学. 2018(03)
[5]基于樽海鞘群算法的无源时差定位[J]. 陈涛,王梦馨,黄湘松. 电子与信息学报. 2018(07)
[6]基于小波阈值法的激光雷达回波信号去噪研究[J]. 王涛,沈永辉,姚建铨. 激光技术. 2019(01)
[7]一种改进的小波阈值去噪方法[J]. 张振凤,威欢,谭博文. 光通信研究. 2018(02)
[8]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[9]基于长短时记忆网络的旋转机械状态预测研究[J]. 赵建鹏,周俊. 噪声与振动控制. 2017(04)
[10]导航卫星遥测数据趋势预测技术研究[J]. 张弓,翟君武,杨海峰. 航天器工程. 2017(03)
博士论文
[1]神经网络及其组合模型在时间序列预测中的研究与应用[D]. 潘丽娜.兰州大学 2018
[2]EMD算法研究及其在信号去噪中的应用[D]. 王婷.哈尔滨工程大学 2010
[3]基于支持向量机的动调陀螺仪寿命预测方法研究[D]. 徐国平.上海交通大学 2008
硕士论文
[1]基于机器学习的卫星故障动态自适应建模关键技术研究[D]. 曾何俊.电子科技大学 2018
[2]基于机器学习的遥测系统故障预测技术研究[D]. 杨罗兰.中国航天科技集团公司第一研究院 2017
[3]基于机器学习方法的航天器在轨状态异变趋势预测算法研究[D]. 许寅.电子科技大学 2017
[4]卫星遥测时序数据中预测算法研究[D]. 钟足华.南京航空航天大学 2015
[5]基于数据驱动的卫星陀螺组件的故障诊断技术研究[D]. 崔捷.哈尔滨工业大学 2014
[6]基于粒子群优化支持向量机的变压器故障诊断和预测[D]. 张艳.西华大学 2011
本文编号：3506999
【文章来源】：西安理工大学陕西省
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
1 绪论
1.1 研究背景与意义
1.2 趋势预测方法综述
1.3 国内外研究现状
1.3.1 国外研究现状
1.3.2 国内研究现状
1.4 论文研究内容与结构
2 相关理论和关键技术
2.1 机器学习概述
2.2 机器学习的类型
2.2.1 人工神经网络
2.2.2 深度学习
2.2.3 群智能优化算法
2.3 机器学习预测模型的设计步骤
2.4 预测模型的评价指标
2.5 数据预处理
2.5.1 缺失值处理
2.5.2 数据降噪
2.5.3 数据标准化
2.6 本章小结
3 浅层学习模型研究
3.1 快速学习网络
3.2 Elman神经网络
3.3 回声状态网络
3.3.1 ESN网络
3.3.2 改进的回声状态网络
3.3.3 SSA算法优化RMESN模型
3.4 本章小结
4 深度学习模型研究
4.1 长短时记忆网络
4.1.1 循环神经网络
4.1.2 长短时记忆网络
4.2 长短时记忆网络的优势
4.3 改进的集成经验模态分解方法
4.3.1 经验模态分解
4.3.2 改进的集成经验模态分解法
4.4 基于MEEMD-LSTM的预测方法研究
4.5 本章小结
5 卫星锂离子电池容量趋势预测实例研究
5.1 实验数据分析
5.1.1 数据来源
5.1.2 间接健康因子选取
5.1.3 相关性分析
5.2 浅层学习模型实例分析
5.2.1 快速学习网络实例分析
5.2.2 Elman神经网络实例分析
5.2.3 回声状态网络实例分析
5.3 深度学习模型实例分析
5.3.1 容量的MEEMD分解
5.3.2 MEEMD-LSTM模型实例分析
5.4 本章小结
6 综合电子系统健康监测软件实现
6.1 MATLAB与C#联合编程
6.1.1 开发环境简介
6.1.2 C#与MATLAB混编过程
6.2 综合电子系统健康监测软件框架及实现
6.3 综合电子系统健康监测软件使用实例
6.3.1 功能模块实例验证
6.3.2 C#生成辅助决策报告
6.4 本章小结
7 总结与展望
7.1 全文总结
7.2 研究展望
致谢
参考文献
攻读学位期间主要研究成果
【参考文献】：
期刊论文
[1]基于深度学习的交通流量预测[J]. 刘明宇,吴建平,王钰博,何磊. 系统仿真学报. 2018(11)
[2]改进阈值提升小波和自适应滤波器的开放光路红外光谱去噪[J]. 鞠薇,鲁昌华,张玉钧,蒋薇薇,汪济洲,鲁一冰. 光谱学与光谱分析. 2018(06)
[3]基于长短时记忆网络的人体姿态检测方法[J]. 郑毅,李凤,张丽,刘守印. 计算机应用. 2018(06)
[4]基于BAS-BP模型的风暴潮灾害损失预测[J]. 王甜甜,刘强. 海洋环境科学. 2018(03)
[5]基于樽海鞘群算法的无源时差定位[J]. 陈涛,王梦馨,黄湘松. 电子与信息学报. 2018(07)
[6]基于小波阈值法的激光雷达回波信号去噪研究[J]. 王涛,沈永辉,姚建铨. 激光技术. 2019(01)
[7]一种改进的小波阈值去噪方法[J]. 张振凤,威欢,谭博文. 光通信研究. 2018(02)
[8]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生. 北京航空航天大学学报. 2018(04)
[9]基于长短时记忆网络的旋转机械状态预测研究[J]. 赵建鹏,周俊. 噪声与振动控制. 2017(04)
[10]导航卫星遥测数据趋势预测技术研究[J]. 张弓,翟君武,杨海峰. 航天器工程. 2017(03)
博士论文
[1]神经网络及其组合模型在时间序列预测中的研究与应用[D]. 潘丽娜.兰州大学 2018
[2]EMD算法研究及其在信号去噪中的应用[D]. 王婷.哈尔滨工程大学 2010
[3]基于支持向量机的动调陀螺仪寿命预测方法研究[D]. 徐国平.上海交通大学 2008
硕士论文
[1]基于机器学习的卫星故障动态自适应建模关键技术研究[D]. 曾何俊.电子科技大学 2018
[2]基于机器学习的遥测系统故障预测技术研究[D]. 杨罗兰.中国航天科技集团公司第一研究院 2017
[3]基于机器学习方法的航天器在轨状态异变趋势预测算法研究[D]. 许寅.电子科技大学 2017
[4]卫星遥测时序数据中预测算法研究[D]. 钟足华.南京航空航天大学 2015
[5]基于数据驱动的卫星陀螺组件的故障诊断技术研究[D]. 崔捷.哈尔滨工业大学 2014
[6]基于粒子群优化支持向量机的变压器故障诊断和预测[D]. 张艳.西华大学 2011
本文编号：3506999
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3506999.html
