共查询到20条相似文献,搜索用时 501 毫秒
1.
针对空间科学卫星遥测参数数据量大且特征维度高、需要消耗大量人力资源预先设置海量阈值、预先设置的阈值可能不再适用、现有监测手段可扩展性低等问题,提出了一种基于集成学习的空间科学卫星工作模式识别方法。该方法采用相关系数统计特性和互信息理论对遥测参数数据进行筛选降维,使用数据重采样技术解决数据集中存在的类别不平衡问题,构建集成学习模型,实现空间科学卫星工作模式的识别。借助某型号科学卫星真实遥测参数数据对该方法进行验证,在短时内便可构建完成算法模型,模型对整体类别的识别正确率高达99.67%,可正确识别多数类样本和少数类样本,为地面运控人员判断空间科学卫星工作模式提供了决策依据。 相似文献
2.
针对卫星云图中的灾害天气数据存在严重不平衡问题,提出一个结合生成对抗学习(GAN)和迁移学习(TL)的卷积神经网络(CNN)框架以解决上述问题进而提高基于卫星云图的灾害天气分类精度。该框架主要包含基于GAN的数据均衡化模块和基于迁移学习的CNN分类模块。上述2个模块分别从数据和算法层面解决数据的类间不平衡问题,分别得到一个相对均衡的数据集和一个可在不同类别数据上提取相对均衡特征的分类模型,最终实现对卫星云图的分类,提高其中灾害天气的卫星云图类别分类准确率。与此同时所提方法在自建的大规模卫星云图数据上进行了测试,消融性和综合实验结果证明了所提数据均衡方法和迁移学习方法是有效的,且所提框架模型对各个灾害天气类别的分类精度都有显著提升。 相似文献
3.
基于Elman网络的共轴式直升机动力学系统辨识 总被引:2,自引:0,他引:2
根据共轴式直升机动力学与运动学基本方程的结构形式建立了一种基于改进的Elman神经网络的辨识模型,同时推导了该网络的训练算法,给出了训练步骤.随后,利用外场试飞中几个典型飞行状态的遥测数据对网络进行训练,计算权值矩阵,获得该共轴式直升机用来进行动力学系统分析的神经网络模型.以匀速前飞状态为例进行了纵向操纵响应仿真,比较仿真结果和实际遥测数据可知,该网络模型基本反映了样例机的动态特性. 相似文献
4.
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. 相似文献
5.
为降低弹道目标整体误识别代价,提出了基于代价敏感剪枝(CSP)一维卷积神经网络(1D-CNN)的弹道目标高分辨距离像识别方法。首先,基于彩票假设提出了同时以降低模型复杂度和误识别代价为目标的统一框架;然后,在此基础上,提出了基于人工蜂群算法的网络结构无梯度优化方法,以网络结构搜索的方式自动地寻找1D-CNN的代价敏感子网络,即代价敏感剪枝;最后,为了使代价敏感子网络在微调过程中仍以最小化误识别代价为目标,提出了一种代价敏感交叉熵(CSCE)损失函数对训练进行优化,使代价敏感子网络侧重对误识别代价较高的类别正确分类来进一步降低整体误识别代价。实验结果表明:结合CSP和CSCE损失函数的1D-CNN能在保持较高的识别正确率的前提下,相比传统的1D-CNN具有更低的整体误识别代价,且降低了50%以上的计算复杂度。 相似文献
6.
针对传统边界Fisher分析及相关方法用于多元时间序列降维的局限性,提出一种基于二维类间边界Fisher分析的多元时间序列降维方法。针对边界Fisher分析进行模型改进,在本征图和惩罚图的基础上引入类间惩罚图,用来描述各个类中心之间的距离,并对目标函数进行改进,提出类间边界Fisher分析模型;对所提模型进行二维化拓展,提出基于二维类间边界Fisher分析的降维模型,使其能够直接处理二维矩阵数据,有效保留结构信息;通过计算协方差矩阵将多元时间序列集转化为等长特征集,利用降维模型将等长特征集投影到低维空间,达到数据降维和特征表示的目的。实验结果表明:所提方法能够有效对多元时间序列进行降维,达到良好的分类效果。 相似文献
7.
针对现有Android恶意软件家族分类方法特征构建完备性不足、构建视角单质化等问题,提出了一种多视角特征规整的卷积神经网络(CNN)恶意APP家族分类方法。该方法结合MinHash算法。将软件中Android框架系统API、操作码序列、AndroidManifest.xml文件中的权限和Intent组合3个视角的原始特征在保留APP间相似度情况下进行规整,并利用多路卷积神经网络完成对各视图的特征提取和信息融合,构建一套恶意APP家族分类模型。基于公开数据集Drebin、Genome、AMD的实验结果表明:恶意APP家族分类准确率超过0.96,证明了所提方法能够充分挖掘各视角的行为特征信息,能有效利用多视角特征间的异构特性,具有较强的实用价值。 相似文献
8.
针对人脸识别应用中人脸样本的类别信息不足以及人脸样本特征间存在相关性的问题,提出了一种基于马氏距离的半监督鉴别分析.该方法在图嵌入框架下利用马氏距离对数据集中带有类别信息的样本进行边界Fisher分析,不仅保持了类内的紧致性和类间的分离性,而且抽取出有利于分类的鉴别特征,同时将不带类别信息的样本用于描述数据集的几何结构,保留了样本间的局部邻域信息.与传统的特征抽取方法相比,该方法有较好的识别性能,在ORL,YALE及AR人脸数据库上的实验验证了该方法的有效性. 相似文献
9.
为辅助卫星在轨运行提供决策分析支持,结合卫星遥测参数的时间序列特性,利用一种ARIMA-SVR组合预测方法,通过对卫星遥测参数进行预测,判定实际遥测数据是否处于正常范围。该组合模型利用ARIMA模型对预处理后的数据进行线性拟合,并利用SVR模型对数据的非线性部分进行补偿。以KX09卫星星敏A的温度遥测数据为基础,分别利用组合模型对短期及中期星敏A温度进行预测,得出短期和中期均方根误差(RMSE)分别为0.768和0.968,相比单一ARIMA模型,短中期RMSE分别提高46.2%和16.4%。此外,对该卫星陀螺B的x轴角速度进行了短中期预测:短期预测中,组合模型比单一ARIMA模型的RMSE提高71.2%;中期预测中,组合模型比单一ARIMA模型的RMSE提高64.2%。实验结果表明,ARIMA-SVR组合模型为保证卫星在轨正常运行提供了有效的决策分析支持。 相似文献
针对经验的空间大气模型会在轨道预报中造成较大的误差,以某型号卫星作为基准航天器,提出2种不同精度的轨道预报模型作为仿真基础,以产生训练数据和测试数据。利用3种数据挖掘中的分类方法,如支持向量机(SVM)、神经网络(NN)、随机森林(RF)等方法,对空间大气模型在轨道预报时造成的误差进行监督学习,借此反演误差简化模型中大气模型的偏差并进行修正。分类器的训练结果表明,随机森林方法由于随机选择决策树、随机选择分类项目,按照最大概率反演的大气模型误差准确率高达99.99%,支持向量机次之,最大准确率仅为50.7%,前馈负向传播神经网络容易出现不学习的情况,应用效果最差。相比传统数理统计方法,本文方法具有快速处理大数据集、能够挖掘隐藏在轨道预报微小误差中的潜在信息等优势。 相似文献
11.
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。 相似文献