基于时序建模的卫星故障检测方法

为解决当前卫星故障检测面临的依赖规则库、多元特征融合不足以及数据正负样本分布不均衡等问题,从卫星数据的时序特性出发,提出基于时序建模的卫星故障检测方法与半监督模型,实现卫星数据规律的有效挖掘与数据驱动的故障检测。考虑卫星数据间的时序关联,提出基于长短期记忆神经网络的卫星故障检测方法,并引入滑动窗口机制实现卫星数据的有效预测与故障检测。考虑卫星数据多元特征参数间的关联关系,引入时间卷积和自编码器神经网络,同时建模不同时刻、多元特征参数间的依赖关系,实现融合多元特征参数进行卫星故障的有效检测。以某型号卫星电源分系统为实验对象,仿真结果表明,所提算法和模型在关键指标方面优于BP神经网络等传统故障检测方法和模型。     

基于遥测数据动态特征的卫星异常检测方法

基于遥测参数分析异常是保证卫星正常在轨运行的基础,通常采用阈值法判断遥测参数是否超差来判断卫星工作状态,由于其无法检测在阈值范围内变化的卫星遥测数据异常,因而会导致故障漏报.本文利用遥测参数动态变化特性,提出一种基于遥测数据变化规律检测异常的方法.利用周期图谱法求解遥测参数周期,根据遥测数据各周期之间参数值的相似性,按照遥测参数周期对数据进行采样,得到平稳差分序列,对其建立自回归移动平均混合模型,通过精确的预测结果与实测遥测数据比较来发现异常.利用该方法对实际在轨运行的某卫星2012年5月太阳能帆板转动异常故障进行验证,结果表明其能够有效避免故障漏报.      

遥测伪周期时间序列子序列异常检测算法

针对现有异常检测算法用于伪周期时间序列异常序列检测时易造成误差累积,导致序列周期与特征值上显著差异的不足,文章以卫星遥测伪周期时序数据为对象,综合两种常规分段方法的优势,提出了最大周期窗宽内基于极值的模式子序列分段算法。在此基础上,给出了一种基于均序列动态生成模型的子序列异常检测方法（AnomalySubsequenceDetectionmethodbasedonOptimizedSequenceModel,ASD_OSM）,并采用2次四分位距准则（DoubleQuantilerangescriterion,2Q准则）设置距离检测门限阈值,将超出阈值的序列判定为异常序列。某航天器传感器遥测子序列异常检测试验结果表明,提出的检测方法能够有效减少漏判,提高卫星遥测伪周期数据异常序列检测的准确性。     

距离相关系数融合GPR模型的卫星异常检测方法

卫星在轨运行期间，遥测数据表现形式通常为多维时间序列。高斯过程回归(GPR)模型可以为重要的遥测参数提供动态门限，及时发现隐藏在工程阈值内的故障征兆，但是高维卫星数据使得GPR模型具有局限性。因此，为获取与多个遥测参数相关的动态门限，在GPR模型的基础上，融合距离相关系数对预测变量进行选择，减少信息冗余和计算量，提高模型的可解释性，并估计模型的泛化误差以设置更合理的预测区间，提高模型的泛化能力，检测数据流的持续异常。对实际在轨卫星数据进行仿真实验，验证了距离相关系数融合GPR模型的卫星异常检测方法可以在卫星故障早期检测到数据异常，而且提高了模型的预测性能，降低了虚警率。      

粒子群优化粒子滤波的接收机自主完好性监测

接收机自主完好性监测（RAIM）是航空卫星导航接收机必不可少的功能,为保持全球卫星导航系统（GNSS）在卫星发生故障时系统性能不降级,需要对卫星故障进行检测和隔离。针对接收机观测噪声非高斯分布的特点,提出一种基于粒子群优化粒子滤波（PSO-PF）的故障检测和隔离算法。通过粒子群优化粒子滤波对状态估计进行一致性检验实现故障检测。采集实测数据验证算法的检测性能,并与基于基本粒子滤波的完好性监测算法进行比较,结果表明:本文所提算法在非高斯测量噪声下可检测并隔离全球定位系统（GPS）故障卫星,其性能优于基于基本粒子滤波的完好性监测算法性能,对研究北斗卫星导航系统（BDS）接收机自主完好性监测具有一定的意义。      

基于Bayes统计模型的卫星融合定轨方法研究

根据目前天基导航系统现状,结合中国对低、中轨卫星精密定轨的要求,给出了天地基信息融合定轨的原理;结合卫星待估融合参数的先验信息,提出了基于Bayes统计模型的卫星精密定轨方法;在卫星观测的线性化融合模型中引入观测噪声,利用概率估计融合模型,根据Bayes理论进行卫星状态改进量的最大后验估计,并分析了Bayes估计方法的定轨精度;依据期望融合的待估改进量方差最小规则建立了相应的参数求解算法;最后以导航融合测控系统中测距和测速数据的融合定轨为例进行了仿真实验,表明该融合方法能够得到很好的定轨效果。     

基于卫星遥感的岛礁影像多类目标智能化提取

卫星遥感影像具有背景复杂、目标尺度不一、观测方向各异、纹理不清晰等特点，主流的深度学习目标检测算法不能直接适用于卫星遥感影像的目标检测。改进了RetinaNet，使其适用于卫星遥感影像。首先设计了一种新的特征融合方式，融合ResNet50输出的特征图，使得融合后的特征图同时具有高层语义信息和低层纹理细节信息。为了减弱遥感影像复杂背景对目标特征的影响，设计了特征感知模块，在减弱噪声对特征图影响的同时增强有用特征。挑选DOTA数据集中船只、飞机和存储罐图像进行训练和测试。改进的算法与RetinaNet相比，飞机、船只和存储罐的平均精度分别提高了41%、25%、24%。基于高分二号卫星（GF 2）真实影像数据的试验结果表明，提出的算法能够用于卫星遥感岛礁影像的多类目标智能化提取。     

基于改进组合机器学习的卫星遥测参数预测

对在轨卫星的运行状态进行监测、分析以及异常检测是卫星在轨运行管理的重要内容。预测卫星遥测参数序列的变化趋势，对卫星异常检测与处置、保障安全运行非常必要。针对目前对于周期性不明显且具有多种变化特征的遥测参数预测精确度不够的问题，本文引入对遥测参数的预测有辅助作用的因素作为协变量，提出了基于改进组合机器学习的预测模型。该模型使用全局模型和局部模型分别获取遥测参数序列的趋势特征和局部不规则波动特征，并采用改进的注意力机制捕获多维参数之间的关联关系，提高了预测精度。此模型可以提供点预测和区间预测的结果，为在轨卫星处置决策提供了更多输入。在科学卫星真实遥测数据集和时间序列公开数据集上验证了本文方法的有效性。     

基于SRCKF的多传感器融合自适应鲁棒算法

为解决模型误差和异常量测值发生时平方根容积卡尔曼滤波（SRCKF）算法滤波性能下降甚至滤波发散的问题,提出了一种多传感器融合自适应鲁棒算法。基于新息协方差匹配原则设计了鲁棒子系统以抑制量测异常值,同时为克服模型误差使用基于新息修正的低复杂度自适应SRCKF(LCASRCKF)算法设计了自适应子系统,根据2种子系统的特点和局限提出全局融合架构,使系统可以充分平衡并利用滤波过程中先验的模型预测值信息和后验的量测值信息,最终降低估计误差。仿真结果表明：相比鲁棒多渐消因子容积卡尔曼滤波（RMCKF）等算法,所提融合算法在滤波精度、稳定性和收敛速度等方面有明显优势。     

基于Kalman滤波器的卫星钟实时异常监测算法

基于卫星钟钟差的Kalman滤波器模型,提出了一种卫星钟实时异常监测算法,对算法原理进行了讨论,并利用IGS精密钟差数据,对算法进行了性能验证。结果表明：该算法对卫星钟的异常情况（包括单点相位跳变与连续相位跳变）可以进行有效监测,同时还可以完成异常数据的剔除与替换,并且具有较小的替换误差。该算法具有显著的实时性,可以应用于星载原子钟的实时异常监测中。     

重力卫星高精度测距系统观测量的降速率滤波算法

在卫星时频传递、矢量测量技术领域，有效观测数据的高精度滤波处理十分重要，其基本要求是在保留有效观测信息的同时能够降低噪声干扰，实现原始信息的高效、高精度传递。以中国地球重力场测量卫星高精度测距系统的工程研制为背景，为实现高频噪声抑制、保留低频重力场信息，基于对FIR滤波器结构的优化和窗函数的改进，提出了一种对10 Hz采样率的原始测距数据降速率、降噪滤波的算法。相比其他类似算法，所提方法同时具备降速滤波和差分运算两种功能，噪声抑制抑制度优于44%，且频率截止特性陡峭，第一旁瓣抑制度达到–94 dB。该算法在提高测距精度、充分保留重力场信息的同时，实现了地面数据后处理流程的简化，为微波测量系统、激光测量系统的数据处理提供了一种优选方案。     

单星测频静态目标无源定位研究

提出了一种基于非线性最优化技术的单星测频无源定位算法,该方法利用单颗卫星单个通道在不同位置上测得的信号多普勒频率,实现对地面固定辐射源的无源定位,具有有效载荷简单、对卫星姿态无特殊要求、定位收敛快、精度较高等优点。同时,探讨了多普勒频率测量误差预处理技术,以及基于PAR模型的系统误差分离技术,通过对测量误差的分离与处理,可以大幅度提高频率测量数据的精度,从而保证后续测频定位精度。最后,通过仿真试验和工程实际,验证了单星测频定位技术的有效性和准确性。     

基于Neyman-Pearson准则的空间目标轨道机动检测方法

轨道机动检测是当前空间监视活动的重要需求之一。当卫星在脉冲小推力作用下发生轨道机动时，会引起目标卫星与伴飞卫星相对距离变化率的阶跃突变，由于测量噪声的存在，距离变化率的阶跃突变特征被淹没在测量噪声中，不容易被检测出来。针对该问题，提出了一种基于概率判决模型的轨道机动检测方法。该方法采用独立同分布高斯白噪声模型描述测量噪声，将距离变化率作为特征量用于变轨检测，把距离变化率的阶跃突变检测问题转化为概率判决问题，在虚警概率约束下，基于Neyman-Pearson准则求解序列数据的变轨判决门限，能够自适应地判断目标卫星是否发生轨道机动。通过不同幅度轨道机动下的仿真试验，验证了该方法的可行性与有效性。     

基于LightGBM的HXMT在轨运行模式监测算法

HXMT卫星的空间硬X射线巡天和定点观测计划切换频繁，需要对卫星有效载荷在轨状态进行实时监测和判别.目前采用的是地面监测人员根据总结的规则进行人工监测的方式，虽然执行方便，可解释性强，但人力消耗较大，且对规则之外的情况无法灵活处理.本文利用HXMT卫星的实时遥测数据，提出一种基于LightGBM机器学习模型的在轨运行模式监测算法，将监测工作规约为多分类问题，并构建判别模型，对卫星在轨运行模式进行判断.在保障判别准确率的前提下，算法模型构建迅速，具有很高的实用性.基于真实遥测数据的试验表明，模型的判别准确率达到99.9%，满足在轨运行模式监测要求，可为HXMT卫星的运行监控任务提供参考依据.      

基于梯度提升决策树的量子科学实验卫星光学实验预测

量子科学实验卫星在轨运行期间完成4种光学实验，地面监测人员通过遥测参数阈值判断卫星是否进行光学实验、实验类型及实验结果.这种方法需要预先设定大量阈值，并且这些阈值需要根据在轨卫星重新设定，可扩展性较差.针对以上问题，提出一种基于机器学习的光学实验判别方法，将量子科学实验卫星的光学实验监测任务抽象为机器学习中的多元分类问题，构建分类模型，利用量子科学实验卫星的真实历史遥测数据对模型进行训练，并通过真实实验计划对训练得到的模型进行验证.实验结果表明，本文提出的方法在没有专家先验知识的前提下，判别准确率达到99%，可用于量子科学实验卫星光学实验的实时监测任务.提出的基于机器学习的判别方法具有较强的可扩展性，可应用于卫星在轨运行的其他监测任务.      

基于并行扩展卡尔曼滤波的自主卫星星座导航方法

针对星间距离测量容易受到外界干扰的问题，提出了一种适用于多颗地球卫星和一颗月球卫星的卫星星座自主导航的并行扩展卡尔曼滤波算法.通过解决噪声统计不确定情况下的测量调度问题来选择适当的测量，降低干扰的影响.为了自适应地选择适当的测量，提出一种基于不同来源的测量构造多个子集的并行扩展卡尔曼滤波器，其中每个扩展卡尔曼滤波器用于处理不同测量子集，并基于残差序列计算子滤波器的权重，组合并行滤波器的估计结果.通过与EKF和传统的多模型自适应估计算法进行比较，表明所提出方法在干扰条件下的三轴位置估计误差的稳定性，体现了性能优势.