低轨卫星缺失时序数据的模式识别方法

在航天应用中，低轨卫星经常会由于原始数据缺失而影响卫星时序数据模式识别结果，降低准确率。针对该问题提出了一种新型MR-GRU模型，可有效处理缺失时序数据，并获得较好的模式识别准确率。区别于传统模型的补全缺失数据的方法，MR-GRU模型直接在缺失时序数据上运用循环神经网络进行训练，对传统门控循环单元结构进行了改进，增加了两个新变量：掩蔽项和衰减项。掩蔽项作用于输入，衰减项作用于输入和隐层单元输出。MR-GRU模型不仅能够保持时序数据固有的时间特性，还能有效提高模式识别精度。在卫星时序数据上的模式识别试验表明，MR-GRU模型准确率优于传统模型。