卫星遥测时序数据中预测算法研究

发布时间：2017-03-24 18:07

  本文关键词：卫星遥测时序数据中预测算法研究，，由笔耕文化传播整理发布。

【摘要】：卫星是一种结合多种尖端技术研制出来的大型多功能复杂系统,其对国家和民族的发展具有重要的影响。由于卫星故障往往伴随着对应部件参数值的异常,分析卫星遥测数据的未来趋势、了解卫星关键参数的变化规律,对于卫星异常的提前发现具有非常重要的意义。时间序列预测技术是一种广泛应用于研究关键参数未来趋势的有效方法。基于此,本文在研究现有的时间序列预测技术的基础上,结合卫星时序数据的特点,展开了对卫星时序数据中关键参数预测问题的研究。本文的主要研究内容如下:第一,对当今时间序列预测领域中应用较为广泛的几种常见模型进行了深入研究,主要包括神经网络模型、支持向量回归机、相关向量机、灰色预测等模型。它们各有优缺点,其中神经网络能够以任意精度逼近非线性系统,但是存在过拟合、局部极值、收敛慢等缺点。支持向量机能够有效解决小样本、高维、非线性映射问题,但是模型中的自由参数设置困难。相关向量机能够获得概率输出,但同样存在参数设置的问题。灰色预测模型仅适应特定规律的非负数列。第二,卫星时序数据具有数据量大、数据密集、数据变化缓慢、存在野值等特点。在此基础上,结合航天领域专家的建议,我们提出了卫星数据的预处理流程,包括野值处理、数据压缩、数据转换、数据归一化四个步骤。经过处理后的数据更适合后续的预测研究。第三,将粒子群优化算法(PSO)的搜索能力和支持向量回归机(SVR)优秀的非线性映射性能相结合,提出将PSO-SVR组合模型用于卫星姿态的短期预测。其中PSO用于解决SVR中参数的设置问题,包括惩罚系数、不敏感参数、核函数参数。采用卫星姿态控制系统中的真实数据验证PSO-SVR组合模型的有效性,并与BP神经网络、GM(1,1)、残差修正GM(1,1)的对比实验表明本文所提方法更适合卫星姿态预测。第四,相关向量机(RVM)是基于贝叶斯框架下的学习算法,能够获得概率形式的输出。本文借鉴前人对PSO-RVM模型的研究成果,提出一种改进PSO-RVM的区间预测方法。其中PSO算法同样用于解决参数设置的问题,此处为核函数参数。选择某卫星一次电源系统中IN1、VN1作为研究对象,实验结果表明PSO-RVM具有与PSO-SVR相当甚至更高的预测精度,且效率高、模型更稀疏,能够获得较准确的预测区间。本文提出的相关预测方法能够为卫星监测提供一定的辅助作用,为卫星时序数据中的预测研究提供一定的参考和借鉴。
【关键词】：卫星 时间序列预测 粒子群优化算法 支持向量回归机 相关向量机
【学位授予单位】：南京航空航天大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：V467;V557
【目录】：

• 摘要4-5
• ABSTRACT5-11
• 第一章 绪论11-21
• 1.1 课题研究背景与意义11-12
• 1.2 时间序列预测国内外研究现状12-17
• 1.3 本文的研究内容及框架17-21
• 1.3.1 研究内容17-18
• 1.3.2 结构框架18-21
• 第二章 基础理论介绍21-35
• 2.1 BP神经网络21-24
• 2.1.1 BP神经网络的结构21-22
• 2.1.2 BP神经网络的学习过程22-24
• 2.2 支持向量回归机24-28
• 2.2.1 支持向量回归机24-27
• 2.2.2 支持向量机常用核函数27-28
• 2.3 相关向量机28-32
• 2.3.1 相关向量机的回归原理28-31
• 2.3.2 相关向量机常用核函数31-32
• 2.4 灰色预测模型32-34
• 2.4.1 GM(1,1)模型32-33
• 2.4.2 残差修正GM(1,1)模型33-34
• 2.5 本章小结34-35
• 第三章 基于PSO-SVR模型的卫星姿态短期预测研究35-61
• 3.1 卫星时序数据预测研究中的预处理35-40
• 3.1.1 野值处理36-37
• 3.1.2 数据压缩37-38
• 3.1.3 数据转换38-39
• 3.1.4 数据归一化39-40
• 3.2 预测模型的评价标准40
• 3.2.1 平均绝对百分比误差40
• 3.2.2 均方根误差40
• 3.2.3 标准均方误差40
• 3.3 PSO-SVR模型概述40-41
• 3.4 卫星姿态PSO-SVR预测模型的流程41-45
• 3.5 PSO-SVR模型应用45-59
• 3.5.1 实验数据45-47
• 3.5.2 实验参数的设置47-53
• 3.5.3 实验结果及分析53-59
• 3.6 本章小结59-61
• 第四章 基于PSO-RVM模型的卫星电源参数区间预测研究61-73
• 4.1 PSO-RVM模型概述61-62
• 4.2 卫星电源PSO-RVM区间预测模型的流程62-65
• 4.3 PSO-RVM模型应用65-72
• 4.3.1 实验数据65
• 4.3.2 实验参数的设置65-68
• 4.3.3 实验结果及分析68-72
• 4.4 本章小结72-73
• 第五章 总结与展望73-76
• 5.1 本文总结73-74
• 5.2 研究展望74-76
• 参考文献76-81
• 致谢81-82
• 在学期间的研究成果及发表的学术论文82

【相似文献】

中国期刊全文数据库 前10条

1 刘昆;李颖芳;李红林;;一种时序数据间断频繁项挖掘算法[J];科技视界;2013年06期

2 周家杰;余丹;马世龙;陈丽萍;;面向航天器测试的时序数据模式表示方法研究[J];计算机应用研究;2011年01期

3 孟娜;周以齐;陈新立;;时序数据的随机子空间模型辨识和一步预测[J];机械科学与技术;2007年09期

4 刘齐宏;李天德;周志斌;易彬;唐常杰;刘齐巍;;基于RFID与基因表达式编程的经济统计时序挖掘[J];四川大学学报(工程科学版);2008年05期

5 董辉;方晓;方跃胜;;一种时序关联规则挖掘算法的研究与实现[J];长春工程学院学报(自然科学版);2012年01期

6 王加阳,廖超;基于粗糙熵的时序数据属性约简及规则提取研究[J];湖南大学学报(自然科学版);2005年04期

7 叶晴;;集思特思发布新一代时序数据产品TSM7[J];中国水利;2009年04期

8 彭宏;基于小波变换的时序数据相似性挖掘[J];西华大学学报(自然科学版);2005年01期

9 王加阳,李超良,李睿;线性回归法在时序数据聚集中的应用[J];企业技术开发;2003年13期

10 贾明明;刘殿伟;宋开山;王宗明;姜广甲;杜嘉;曾丽红;;基于MODIS时序数据的澳大利亚土地利用/覆被分类与验证[J];遥感技术与应用;2010年03期

中国重要会议论文全文数据库 前2条

1 罗雄飞;王宏安;田丰;戴国忠;滕东兴;;FisheyeLines:一种时序数据的可视化技术[A];第四届和谐人机环境联合学术会议论文集[C];2008年

2 陈懿冰;张玲玲;石勇;;基于改进的支持向量回归机的金融时序预测[A];第六届（2011）中国管理学年会论文摘要集[C];2011年

中国博士学位论文全文数据库 前1条

1 程文聪;面向大规模网络安全态势分析的时序数据挖掘关键技术研究[D];国防科学技术大学;2010年

中国硕士学位论文全文数据库 前10条

1 戚雪冰;风电监控系统中时序数据管理系统的设计与实现[D];东南大学;2015年

2 钟足华;卫星遥测时序数据中预测算法研究[D];南京航空航天大学;2015年

3 韩骅宇;时序数据的高效存储与检索[D];北京交通大学;2014年

4 周强;时序数据挖掘在经济领域中的应用研究[D];合肥工业大学;2005年

5 花珊;面向时序数据流的分布式缓存系统设计与实现[D];中山大学;2014年

6 周到;基于Microarray时序表达数据识别周期表达基因[D];华中科技大学;2007年

7 张元;基于智能决策支持的时序数据挖掘系统的研究[D];华北工学院;2004年

8 赵国庆;基因表达时序数据聚类和比对分析方法研究[D];苏州大学;2011年

9 王丹;基于Hadoop平台的时序数据处理方法研究[D];中国科学技术大学;2015年

10 姚世杰;基于流形学习的高维时序数据状态估计算法的研究与实现[D];武汉科技大学;2014年

  本文关键词：卫星遥测时序数据中预测算法研究，由笔耕文化传播整理发布。

本文编号：265965