衛(wèi)星遙測(cè)數(shù)據(jù)相關(guān)性知識(shí)發(fā)現(xiàn),是研究一個(gè)遙測(cè)變量在不同時(shí)段的取值、或者兩個(gè)及兩個(gè)以上遙測(cè)變量的取值之間是否存在有效的、新穎的、潛在有用的、最終可理解的相關(guān)關(guān)系,并對(duì)具有相關(guān)關(guān)系的遙測(cè)變量探討其相關(guān)方向、相關(guān)程度、相關(guān)結(jié)構(gòu)、相關(guān)知識(shí)表示的一項(xiàng)工作。遙測(cè)數(shù)據(jù)表現(xiàn)的大規(guī)模、高維度、非線性等特征,為遙測(cè)數(shù)據(jù)的相關(guān)性分析提出了嚴(yán)峻的挑戰(zhàn)。本文以衛(wèi)星集成測(cè)試、地面應(yīng)用系統(tǒng)的業(yè)務(wù)拓展需求為研究背景,通過(guò)開(kāi)展遙測(cè)數(shù)據(jù)相關(guān)關(guān)系特點(diǎn)分析、類(lèi)別抽象、測(cè)度選擇、方法改進(jìn)等方面的研究工作,提出適用于航天器遙測(cè)數(shù)據(jù)的相關(guān)性知識(shí)發(fā)現(xiàn)方法,這對(duì)于衛(wèi)星系統(tǒng)的總裝集成、在軌測(cè)試、運(yùn)控管理都具有非常重要的意義。論文主要研究?jī)?nèi)容包括:1)遙測(cè)數(shù)據(jù)自相關(guān)知識(shí)發(fā)現(xiàn)方法研究針對(duì)現(xiàn)有兩種知識(shí)發(fā)現(xiàn)方法中,傳統(tǒng)方法難以實(shí)現(xiàn)知識(shí)構(gòu)建的自動(dòng)化,而純數(shù)據(jù)驅(qū)動(dòng)方法會(huì)忽略衛(wèi)星系統(tǒng)設(shè)計(jì)和遙測(cè)數(shù)據(jù)本身特性的問(wèn)題,在分析并抽象出遙測(cè)領(lǐng)域普遍存在的6種自相關(guān)關(guān)系,并對(duì)之進(jìn)行建模和向量表示的基礎(chǔ)上,提出一種基于領(lǐng)域模型的歸納式遙測(cè)數(shù)據(jù)自相關(guān)知識(shí)發(fā)現(xiàn)方法。試驗(yàn)結(jié)果表明,所提方法能夠自動(dòng)化構(gòu)建符合衛(wèi)星系統(tǒng)設(shè)計(jì)的自相關(guān)知識(shí),且基于這些知識(shí)可以有效的檢測(cè)出遙測(cè)數(shù)據(jù)的部分異常。2)遙測(cè)數(shù)據(jù)互相關(guān)測(cè)度評(píng)價(jià)及最優(yōu)測(cè)度面向遙測(cè)數(shù)據(jù)互相關(guān)測(cè)度評(píng)價(jià)方法以及最優(yōu)測(cè)度均未明確的領(lǐng)域研究現(xiàn)狀,基于遙測(cè)數(shù)據(jù)互相關(guān)關(guān)系的強(qiáng)非線性、動(dòng)態(tài)性,以及遙測(cè)數(shù)據(jù)本身具有的大規(guī)模、高維度等特點(diǎn),提出了以覆蓋度、新穎度衡量普適性、以平均運(yùn)行時(shí)間衡量時(shí)效性的相關(guān)性測(cè)度評(píng)價(jià)標(biāo)準(zhǔn),量化分析并試驗(yàn)驗(yàn)證了在此標(biāo)準(zhǔn)之下遙測(cè)數(shù)據(jù)互相關(guān)分析的最優(yōu)測(cè)度-最大信息系數(shù)(Maximum Correlation Coefficient,MIC)。3)基于改進(jìn)最大信息系數(shù)的互相關(guān)程度知識(shí)發(fā)現(xiàn)方法針對(duì)基于最大信息系數(shù)進(jìn)行大規(guī)模、高維度遙測(cè)數(shù)據(jù)互相關(guān)分析時(shí)遇到的(1)測(cè)度偏向多值變量(2)動(dòng)態(tài)規(guī)劃算法時(shí)間復(fù)雜度高等問(wèn)題,提出了以Mini Batch K-Means聚類(lèi)為前驅(qū)過(guò)程對(duì)數(shù)據(jù)進(jìn)行網(wǎng)格劃分,以信息熵代替最大熵對(duì)互信息進(jìn)行歸一化矯正的改進(jìn)MIC方法。試驗(yàn)結(jié)果表明,與基于動(dòng)態(tài)規(guī)劃的MIC方法相比,所提方法可有效解決MIC測(cè)度偏向多值變量的問(wèn)題,時(shí)間復(fù)雜度從(9)~(2.4))下降為從(9)~(1.6)),是一種適用于大規(guī)模數(shù)據(jù)相關(guān)性分析的有效方法;4)基于混合采樣與XGBoost模型的互相關(guān)結(jié)構(gòu)知識(shí)發(fā)現(xiàn)方法針對(duì)傳統(tǒng)遙測(cè)數(shù)據(jù)相關(guān)性分析方法僅能發(fā)現(xiàn)相關(guān)程度知識(shí),無(wú)法提供相關(guān)結(jié)構(gòu)豐富信息的問(wèn)題,提出一種基于混合采樣、代價(jià)矩陣、極限梯度提升(eXtreme Gradient Boosting,XGBoost)的互相關(guān)結(jié)構(gòu)知識(shí)發(fā)現(xiàn)方法。試驗(yàn)結(jié)果表明:較之于反向傳播神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短時(shí)記憶網(wǎng)絡(luò),所提方法在ROC(Receiver Operating Characteristic)曲線、F1-score等性能指標(biāo)方面具有更高的分類(lèi)精度,且對(duì)類(lèi)別不平衡數(shù)據(jù)不敏感,是一種適用于遙測(cè)數(shù)據(jù)互相關(guān)結(jié)構(gòu)知識(shí)發(fā)現(xiàn)的有效方法。
【學(xué)位單位】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院國(guó)家空間科學(xué)中心)
【學(xué)位級(jí)別】：博士
【學(xué)位年份】：2019
【中圖分類(lèi)】：TP311.13;V557
【部分圖文】：

關(guān)系數(shù)的影響，客觀的度量2個(gè)變量的相關(guān)關(guān)系系數(shù)的概念，又稱(chēng)秩相關(guān)系數(shù)、等級(jí)相隨機(jī)變量之間的單調(diào)關(guān)系。數(shù)基于原始數(shù)據(jù)，而Spearman相關(guān)系數(shù)④ ⑤為一個(gè)二維隨機(jī)變量，④ ⑤為兩 ④ ⑤④ ⑤ ④ ⑤ ④ ⑤ 列⑥ ⑦中的秩， 是 在序列⑥ ），該值對(duì)應(yīng)的秩為等值對(duì)應(yīng)秩的均值

圖 3-8 基于遙測(cè)數(shù)據(jù)周期相關(guān)特征的異常檢測(cè) Anomaly detection based on the feature of cycle correlation of telem-4：周期相關(guān)可表示為七元組： ( 測(cè)變量標(biāo)識(shí)， 最大周期， 為最小周期， 為幅值， 為閾值， 為輸入點(diǎn)數(shù)。即標(biāo)識(shí)為 的參數(shù)，任序列做快速傅里葉變換，假設(shè)幅值最大點(diǎn)的周期、幅值為計(jì)量 ，且 ⑧ ]， ⑧ ⑨大、最小值，不是針對(duì)一組數(shù)據(jù)做傅里葉變換得到的最大采用滑動(dòng)窗口的方法[87]（圖 3-9），針對(duì)不同組數(shù)據(jù)做變數(shù)（周期、幅值）的統(tǒng)計(jì)范圍。500 1000 1500 2000 2500-500005000正常狀態(tài)異常狀態(tài)

圖 5-7 K-Means與Mini Batch K-Means聚類(lèi)效果差異Fig. 5-7 Defference of effect between K-Means and Mini Batch K-Means圖 5-7給出了 樣本點(diǎn)分別使用K-Means和Mini Batch K-Means聚類(lèi)效果的差異[105]。由圖可見(jiàn)，在 樣本點(diǎn)情況下，二者的運(yùn)行時(shí)間相差2倍多，但聚類(lèi)結(jié)果差異卻很小。因此Mini Batch K-Means是一種能盡量保持聚類(lèi)準(zhǔn)確性且能大幅度降低計(jì)算時(shí)間的聚類(lèi)模型。給定樣本集 ⑥ ⑦， 為樣本容量。 將被劃分為 個(gè)簇，簇的中心為 ⑥ ⑦。Mini Batch K-Means聚類(lèi)的迭代步驟如下：1) 從 中隨機(jī)選擇 個(gè)樣本作為初始中心 ；2) 從 中隨機(jī)抽取容量為 的樣本子集 ，組成一個(gè)Batch；3) 對(duì) 中每一個(gè)樣本點(diǎn) ，計(jì)算其與 個(gè)簇類(lèi)中心的相似度，將樣本點(diǎn) 劃入相似度最大的簇；4) 中所有樣本經(jīng)過(guò)3)步驟后，根據(jù)各樣本的簇標(biāo)號(hào)重新計(jì)算聚類(lèi)中心；

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 李江;郝新梅;范琳琳;毛曉敏;;黑河中游綠洲地下水位空間變異性研究[J];水力發(fā)電學(xué)報(bào);2015年11期

2 錢(qián)宇華;成紅紅;梁新彥;王建新;;大數(shù)據(jù)關(guān)聯(lián)關(guān)系度量研究綜述[J];數(shù)據(jù)采集與處理;2015年06期

3 王鵬;張善從;;基于最大信息系數(shù)的時(shí)延數(shù)據(jù)相關(guān)性分析方法[J];電子測(cè)量技術(shù);2015年09期

4 姚曉陽(yáng);孫曉蕾;吳登生;楊玉英;;基于互信息熵的國(guó)家風(fēng)險(xiǎn)相關(guān)性研究[J];系統(tǒng)工程理論與實(shí)踐;2015年07期

5 徐承龍;吳倩;孫麗華;;組合風(fēng)險(xiǎn)的重要性抽樣方法[J];同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版);2015年04期

6 羅清華;焉曉貞;彭宇;彭喜元;;基于滑動(dòng)窗口模式匹配的動(dòng)態(tài)距離估計(jì)方法[J];儀器儀表學(xué)報(bào);2015年03期

7 陶鳳和;馬萬(wàn)里;賈長(zhǎng)治;牟鵬博;蘇京晶;;部件相關(guān)的某自行火炮變速箱齒輪系統(tǒng)可靠性分析[J];機(jī)械傳動(dòng);2014年09期

8 吳婧;蘇振華;孫誠(chéng);;一種基于Kalman濾波的衛(wèi)星遙測(cè)數(shù)據(jù)判讀系統(tǒng)[J];航天器工程;2014年03期

9 張強(qiáng);郭麗麗;馬振林;;基于模型自動(dòng)判讀的研究與實(shí)現(xiàn)[J];計(jì)算機(jī)技術(shù)與發(fā)展;2014年07期

10 李維錚;孟橋;;基于遙測(cè)數(shù)據(jù)動(dòng)態(tài)特征的衛(wèi)星異常檢測(cè)方法[J];空間科學(xué)學(xué)報(bào);2014年02期

本文編號(hào)：2820899