作為一種集成多種高精尖科技的大型復(fù)雜系統(tǒng),衛(wèi)星發(fā)揮的作用已經(jīng)體現(xiàn)在各種領(lǐng)域中,并占有無(wú)可替代的位置。然而,衛(wèi)星常年暴露在惡劣的宇宙環(huán)境中,會(huì)受到太陽(yáng)活動(dòng)、宇宙射線,太空垃圾等外界因素的干擾,同時(shí)其在工作過(guò)程中由于一些內(nèi)部自身因素,都會(huì)導(dǎo)致故障的發(fā)生。衛(wèi)星在長(zhǎng)期監(jiān)測(cè)管理的過(guò)程中,會(huì)產(chǎn)生大量遙測(cè)數(shù)據(jù),從中可挖掘出各種有用信息,然后有效利用關(guān)鍵參數(shù)的潛在變化規(guī)律來(lái)進(jìn)行未來(lái)趨勢(shì)預(yù)測(cè),對(duì)于衛(wèi)星正常工作具有重要意義。本文將機(jī)器學(xué)習(xí)算法應(yīng)用于衛(wèi)星關(guān)鍵參數(shù)趨勢(shì)預(yù)測(cè)中,主要有如下幾部分:（1）針對(duì)衛(wèi)星關(guān)鍵參數(shù)受噪聲影響、數(shù)據(jù)缺失以及機(jī)器學(xué)習(xí)預(yù)測(cè)模型選擇問(wèn)題,分析比較了幾種常用方法和3種評(píng)價(jià)指標(biāo),提出了基于BAS優(yōu)化的自適應(yīng)小波閾值去噪算法,實(shí)驗(yàn)數(shù)據(jù)表明該算法可行且有效。（2）利用淺層學(xué)習(xí)模型中的快速學(xué)習(xí)網(wǎng)絡(luò)（FLN）、Elman神經(jīng)網(wǎng)絡(luò)以及回聲狀態(tài)網(wǎng)絡(luò)（ESN）實(shí)現(xiàn)趨勢(shì)預(yù)測(cè)。針對(duì)傳統(tǒng)ESN當(dāng)前時(shí)刻的狀態(tài)值與前一時(shí)刻的狀態(tài)值沒(méi)有直接關(guān)系,因此通過(guò)增加調(diào)節(jié)參數(shù)β來(lái)控制前一個(gè)時(shí)刻神經(jīng)元的狀態(tài),提高ESN的記憶能力。由于采用最小二乘回歸法訓(xùn)練網(wǎng)絡(luò)輸出權(quán)值可能存在解的“奇異”問(wèn)題,則采用嶺回歸算法（Ridge R... 

【文章來(lái)源】：西安理工大學(xué)陜西省

【文章頁(yè)數(shù)】：87 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 趨勢(shì)預(yù)測(cè)方法綜述
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 國(guó)外研究現(xiàn)狀
        1.3.2 國(guó)內(nèi)研究現(xiàn)狀
    1.4 論文研究?jī)?nèi)容與結(jié)構(gòu)
2 相關(guān)理論和關(guān)鍵技術(shù)
    2.1 機(jī)器學(xué)習(xí)概述
    2.2 機(jī)器學(xué)習(xí)的類型
        2.2.1 人工神經(jīng)網(wǎng)絡(luò)
        2.2.2 深度學(xué)習(xí)
        2.2.3 群智能優(yōu)化算法
    2.3 機(jī)器學(xué)習(xí)預(yù)測(cè)模型的設(shè)計(jì)步驟
    2.4 預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)
    2.5 數(shù)據(jù)預(yù)處理
        2.5.1 缺失值處理
        2.5.2 數(shù)據(jù)降噪
        2.5.3 數(shù)據(jù)標(biāo)準(zhǔn)化
    2.6 本章小結(jié)
3 淺層學(xué)習(xí)模型研究
    3.1 快速學(xué)習(xí)網(wǎng)絡(luò)
    3.2 Elman神經(jīng)網(wǎng)絡(luò)
    3.3 回聲狀態(tài)網(wǎng)絡(luò)
        3.3.1 ESN網(wǎng)絡(luò)
        3.3.2 改進(jìn)的回聲狀態(tài)網(wǎng)絡(luò)
        3.3.3 SSA算法優(yōu)化RMESN模型
    3.4 本章小結(jié)
4 深度學(xué)習(xí)模型研究
    4.1 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
        4.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
        4.1.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)
    4.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的優(yōu)勢(shì)
    4.3 改進(jìn)的集成經(jīng)驗(yàn)?zāi)B(tài)分解方法
        4.3.1 經(jīng)驗(yàn)?zāi)B(tài)分解
        4.3.2 改進(jìn)的集成經(jīng)驗(yàn)?zāi)B(tài)分解法
    4.4 基于MEEMD-LSTM的預(yù)測(cè)方法研究
    4.5 本章小結(jié)
5 衛(wèi)星鋰離子電池容量趨勢(shì)預(yù)測(cè)實(shí)例研究
    5.1 實(shí)驗(yàn)數(shù)據(jù)分析
        5.1.1 數(shù)據(jù)來(lái)源
        5.1.2 間接健康因子選取
        5.1.3 相關(guān)性分析
    5.2 淺層學(xué)習(xí)模型實(shí)例分析
        5.2.1 快速學(xué)習(xí)網(wǎng)絡(luò)實(shí)例分析
        5.2.2 Elman神經(jīng)網(wǎng)絡(luò)實(shí)例分析
        5.2.3 回聲狀態(tài)網(wǎng)絡(luò)實(shí)例分析
    5.3 深度學(xué)習(xí)模型實(shí)例分析
        5.3.1 容量的MEEMD分解
        5.3.2 MEEMD-LSTM模型實(shí)例分析
    5.4 本章小結(jié)
6 綜合電子系統(tǒng)健康監(jiān)測(cè)軟件實(shí)現(xiàn)
    6.1 MATLAB與C#聯(lián)合編程
        6.1.1 開(kāi)發(fā)環(huán)境簡(jiǎn)介
        6.1.2 C#與MATLAB混編過(guò)程
    6.2 綜合電子系統(tǒng)健康監(jiān)測(cè)軟件框架及實(shí)現(xiàn)
    6.3 綜合電子系統(tǒng)健康監(jiān)測(cè)軟件使用實(shí)例
        6.3.1 功能模塊實(shí)例驗(yàn)證
        6.3.2 C#生成輔助決策報(bào)告
    6.4 本章小結(jié)
7 總結(jié)與展望
    7.1 全文總結(jié)
    7.2 研究展望
致謝
參考文獻(xiàn)
攻讀學(xué)位期間主要研究成果


【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的交通流量預(yù)測(cè)[J]. 劉明宇,吳建平,王鈺博,何磊.  系統(tǒng)仿真學(xué)報(bào). 2018(11)
[2]改進(jìn)閾值提升小波和自適應(yīng)濾波器的開(kāi)放光路紅外光譜去噪[J]. 鞠薇,魯昌華,張玉鈞,蔣薇薇,汪濟(jì)洲,魯一冰.  光譜學(xué)與光譜分析. 2018(06)
[3]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的人體姿態(tài)檢測(cè)方法[J]. 鄭毅,李鳳,張麗,劉守印.  計(jì)算機(jī)應(yīng)用. 2018(06)
[4]基于BAS-BP模型的風(fēng)暴潮災(zāi)害損失預(yù)測(cè)[J]. 王甜甜,劉強(qiáng).  海洋環(huán)境科學(xué). 2018(03)
[5]基于樽海鞘群算法的無(wú)源時(shí)差定位[J]. 陳濤,王夢(mèng)馨,黃湘松.  電子與信息學(xué)報(bào). 2018(07)
[6]基于小波閾值法的激光雷達(dá)回波信號(hào)去噪研究[J]. 王濤,沈永輝,姚建銓.  激光技術(shù). 2019(01)
[7]一種改進(jìn)的小波閾值去噪方法[J]. 張振鳳,威歡,譚博文.  光通信研究. 2018(02)
[8]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報(bào). 2018(04)
[9]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械狀態(tài)預(yù)測(cè)研究[J]. 趙建鵬,周俊.  噪聲與振動(dòng)控制. 2017(04)
[10]導(dǎo)航衛(wèi)星遙測(cè)數(shù)據(jù)趨勢(shì)預(yù)測(cè)技術(shù)研究[J]. 張弓,翟君武,楊海峰.  航天器工程. 2017(03)

博士論文
[1]神經(jīng)網(wǎng)絡(luò)及其組合模型在時(shí)間序列預(yù)測(cè)中的研究與應(yīng)用[D]. 潘麗娜.蘭州大學(xué) 2018
[2]EMD算法研究及其在信號(hào)去噪中的應(yīng)用[D]. 王婷.哈爾濱工程大學(xué) 2010
[3]基于支持向量機(jī)的動(dòng)調(diào)陀螺儀壽命預(yù)測(cè)方法研究[D]. 徐國(guó)平.上海交通大學(xué) 2008

碩士論文
[1]基于機(jī)器學(xué)習(xí)的衛(wèi)星故障動(dòng)態(tài)自適應(yīng)建模關(guān)鍵技術(shù)研究[D]. 曾何俊.電子科技大學(xué) 2018
[2]基于機(jī)器學(xué)習(xí)的遙測(cè)系統(tǒng)故障預(yù)測(cè)技術(shù)研究[D]. 楊羅蘭.中國(guó)航天科技集團(tuán)公司第一研究院 2017
[3]基于機(jī)器學(xué)習(xí)方法的航天器在軌狀態(tài)異變趨勢(shì)預(yù)測(cè)算法研究[D]. 許寅.電子科技大學(xué) 2017
[4]衛(wèi)星遙測(cè)時(shí)序數(shù)據(jù)中預(yù)測(cè)算法研究[D]. 鐘足華.南京航空航天大學(xué) 2015
[5]基于數(shù)據(jù)驅(qū)動(dòng)的衛(wèi)星陀螺組件的故障診斷技術(shù)研究[D]. 崔捷.哈爾濱工業(yè)大學(xué) 2014
[6]基于粒子群優(yōu)化支持向量機(jī)的變壓器故障診斷和預(yù)測(cè)[D]. 張艷.西華大學(xué) 2011



本文編號(hào)：3506999