本文關(guān)鍵詞：基于相似度匹配的衛(wèi)星在軌狀態(tài)異變分類和識別算法

  更多相關(guān)文章： 相似度匹配 時頻聯(lián)合分析 小波變換 分形維數(shù) 分類和識別

【摘要】：當前,基于對衛(wèi)星遙測數(shù)據(jù)的分析實現(xiàn)對人造衛(wèi)星狀態(tài)的分類和識別,是航天科技的研究熱點和難點。現(xiàn)有的衛(wèi)星遙測數(shù)據(jù)的分析技術(shù)大多是基于遙測數(shù)據(jù)的數(shù)學模型進行各項分析,或者是基于專家系統(tǒng)的分析。然而,這兩種方法都有各自的局限性,如:無法使用一個統(tǒng)一的數(shù)學模型應對不同種類衛(wèi)星的各個遙測數(shù)據(jù),方法適用范圍窄;專家系統(tǒng)要求知識庫完備,而獲得完備的知識庫十分困難。針對這些不足,本文進行了基于數(shù)據(jù)驅(qū)動的,對模型不敏感的衛(wèi)星在軌狀態(tài)分類和識別的算法研究。首先,為了實現(xiàn)多類型的衛(wèi)星遙測數(shù)據(jù)的特征參數(shù)提取,使得算法具有通用性,本文以數(shù)據(jù)本身的特性(包括時頻域,統(tǒng)計域等各種變換域的特性)作為出發(fā)點,研究適用于衛(wèi)星遙測數(shù)據(jù)的特征提取方法,揭示信號所隱含的特征信息,最終達到提取信號的有效特征參數(shù)的目的。其次,針對遙測數(shù)據(jù)的特性,把數(shù)據(jù)挖掘領域中的兩種分類算法K-平均算法和模糊C均值算法應用到衛(wèi)星狀態(tài)的分類中,并基于數(shù)據(jù)特性做出相應的優(yōu)化和改進。然后,利用相似度匹配的方法,對已分類的各個狀態(tài)進行識別。最后,使用實測衛(wèi)星數(shù)據(jù)對本文所設計的算法進行實驗驗證。本文的主要成果和貢獻有:1.在缺少先驗條件的情況下利用Wigner-Ville分布時頻聯(lián)合分析、小波變換進行時頻聯(lián)合分析提取信號的特征參數(shù);2.把實測信號視為時間序列,引入分形維數(shù),對信號的分形特性進行定量描述,并以此作為信號的特征向量,這是本文的一個創(chuàng)新點;3.根據(jù)實測信號的特性,設計了基于K-平均算法和基于模糊C均值算法的狀態(tài)異變分類算法,并提出了一種基于改進的模糊C均值的狀態(tài)異變分類算法;4.設計了基于相似度匹配的狀態(tài)異變識別算法,對狀態(tài)異變的分類結(jié)果進行識別;5.基于實測數(shù)據(jù)進行實驗驗證,按照本文所設計的算法進行實驗,實現(xiàn)了對衛(wèi)星狀態(tài)異變的分類和識別,并分析了實驗結(jié)果。6.整合本文所使用的各種算法,開發(fā)了衛(wèi)星狀態(tài)異變相似度計算和匹配驗證軟件,可以使用圖形化的界面分析衛(wèi)星實測數(shù)據(jù)。
【關(guān)鍵詞】：相似度匹配 時頻聯(lián)合分析 小波變換 分形維數(shù) 分類和識別
【學位授予單位】：電子科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：V467;V557
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第一章 緒論10-15
• 1.1 研究工作的背景與意義10-11
• 1.2 衛(wèi)星遙測數(shù)據(jù)分析國內(nèi)外研究現(xiàn)狀11-12
• 1.3 本文的主要貢獻與創(chuàng)新12-14
• 1.4 本論文的結(jié)構(gòu)安排14-15
• 第二章 無模型衛(wèi)星數(shù)據(jù)的狀態(tài)異變特征提取關(guān)鍵技術(shù)研究15-34
• 2.1 衛(wèi)星遙測數(shù)據(jù)的特性分析15-17
• 2.1.1 衛(wèi)星遙測數(shù)據(jù)的特性15-16
• 2.1.2 衛(wèi)星遙測數(shù)據(jù)狀態(tài)異變的簡介16-17
• 2.2 衛(wèi)星遙測數(shù)據(jù)的特征提取方法選擇17
• 2.3 衛(wèi)星實測信號特征提取算法17-32
• 2.3.1 基于Wigner-Ville分布的衛(wèi)星實測信號特征提取算法17-23
• 2.3.2 基于小波變換的衛(wèi)星實測信號特征提取算法23-26
• 2.3.3 基于分形維數(shù)的特征參數(shù)提取算法26-32
• 2.4 本章小結(jié)32-34
• 第三章 狀態(tài)異變的分類和識別算法設計34-52
• 3.1 分類算法的選擇34-36
• 3.2 基于K-平均算法的狀態(tài)異變分類算法36-44
• 3.2.1 利用支持向量機估計特征參數(shù)的非線性邊界37-42
• 3.2.2 優(yōu)化的K-平均算法42-44
• 3.3 基于改進的模糊C均值的異變狀態(tài)分類算法44-48
• 3.3.1 模糊C均值算法44-46
• 3.3.2 改進的模糊C均值算法46-48
• 3.3.3 分類有效性檢驗指標48
• 3.4 基于相似度匹配的狀態(tài)異變識別算法48-50
• 3.5 實測信號狀態(tài)異變的分類和識別工具軟件設計50-51
• 3.6 本章小結(jié)51-52
• 第四章 基于實測衛(wèi)星數(shù)據(jù)的狀態(tài)異變分類和識別算法實驗驗證與結(jié)果分析52-84
• 4.1 狀態(tài)異變的特征參數(shù)提取實驗52-59
• 4.1.1 基于WVD分布和小波分析的特征參數(shù)提取算法實驗52-57
• 4.1.2 基于分形維數(shù)的特征提取算法實驗57-59
• 4.2 狀態(tài)異變的分類和識別算法驗證59-78
• 4.2.1 基于實測數(shù)據(jù)的K-平均的異變狀態(tài)分類算法實驗59-73
• 4.2.2 基于實測數(shù)據(jù)的普通模糊C均值的狀態(tài)異變分類算法實驗73-76
• 4.2.3 基于實測數(shù)據(jù)的改進型模糊C均值的狀態(tài)異變分類算法實驗76-78
• 4.3 實驗結(jié)果分析78-81
• 4.4 實測信號狀態(tài)異變分類和識別軟件運行效果81-83
• 4.5 本章小結(jié)83-84
• 第五章 全文總結(jié)與展望84-86
• 5.1 全文總結(jié)84-85
• 5.2 后續(xù)工作展望85-86
• 致謝86-87
• 參考文獻87-90

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 韓鳳儀;;框架式全鋼承載車體架異變矯正工藝——東風4型0001號機車主車架烘調(diào)小結(jié)[J];機車車輛工藝;1980年06期

2 陳曉進;;2007,全球能源秩序面臨異變[J];世界知識;2008年02期

3 吳再豐;;沖撞地球論:由巨大彗星引起的異變[J];飛碟探索;2012年06期

4 ;[J];;年期

中國重要報紙全文數(shù)據(jù)庫 前5條

1 本報評論員 郭振綱;警惕“市場化”異變?yōu)榻鹑诟瘮〉碾[形通道[N];工人日報;2014年

2 本報記者 張勤峰;機構(gòu)內(nèi)控不嚴致代持“異變”[N];中國證券報;2013年

3 記者 章文貢;融資結(jié)構(gòu)大異變[N];第一財經(jīng)日報;2012年

4 本報記者 黃俊溢;“空城”蔓延 新城緣何異變[N];中國經(jīng)濟時報;2014年

5 本報記者 梅俊彥;股權(quán)眾籌模式異變 平臺“一人演多角”暗藏隱憂[N];中國證券報;2014年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 史帥;甘肅省普通高校體育課程實施的異變問題研究[D];西北師范大學;2015年

2 柯駿培;基于相似度匹配的衛(wèi)星在軌狀態(tài)異變分類和識別算法[D];電子科技大學;2016年

3 謝瀅春;新體制導航下行信號異變檢測與分析[D];電子科技大學;2016年

4 彭惠芳;課程實施中的異變及對策研究[D];湖南師范大學;2003年

5 鄒偉;課堂層面的課程實施異變研究[D];重慶師范大學;2012年

6 胡蓉;高中英語課程實施中的異變問題研究[D];湖南大學;2014年

7 劉瓊;教學內(nèi)容的異變及其控制[D];湖南科技大學;2011年

8 王建亭;農(nóng)村中學課程實施中的異變問題研究[D];東北師范大學;2006年

9 楊碩;顱內(nèi)組織異變的電特性分析及計算機仿真[D];河北工業(yè)大學;2004年

10 王帆;網(wǎng)絡拓撲結(jié)構(gòu)數(shù)據(jù)異變感知技術(shù)研究[D];長安大學;2014年

，

本文編號：1121871