本文關鍵詞：衛(wèi)星遙測時序數(shù)據(jù)中預測算法研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：衛(wèi)星是一種結合多種尖端技術研制出來的大型多功能復雜系統(tǒng),其對國家和民族的發(fā)展具有重要的影響。由于衛(wèi)星故障往往伴隨著對應部件參數(shù)值的異常,分析衛(wèi)星遙測數(shù)據(jù)的未來趨勢、了解衛(wèi)星關鍵參數(shù)的變化規(guī)律,對于衛(wèi)星異常的提前發(fā)現(xiàn)具有非常重要的意義。時間序列預測技術是一種廣泛應用于研究關鍵參數(shù)未來趨勢的有效方法�；诖�,本文在研究現(xiàn)有的時間序列預測技術的基礎上,結合衛(wèi)星時序數(shù)據(jù)的特點,展開了對衛(wèi)星時序數(shù)據(jù)中關鍵參數(shù)預測問題的研究。本文的主要研究內容如下:第一,對當今時間序列預測領域中應用較為廣泛的幾種常見模型進行了深入研究,主要包括神經(jīng)網(wǎng)絡模型、支持向量回歸機、相關向量機、灰色預測等模型。它們各有優(yōu)缺點,其中神經(jīng)網(wǎng)絡能夠以任意精度逼近非線性系統(tǒng),但是存在過擬合、局部極值、收斂慢等缺點。支持向量機能夠有效解決小樣本、高維、非線性映射問題,但是模型中的自由參數(shù)設置困難。相關向量機能夠獲得概率輸出,但同樣存在參數(shù)設置的問題。灰色預測模型僅適應特定規(guī)律的非負數(shù)列。第二,衛(wèi)星時序數(shù)據(jù)具有數(shù)據(jù)量大、數(shù)據(jù)密集、數(shù)據(jù)變化緩慢、存在野值等特點。在此基礎上,結合航天領域專家的建議,我們提出了衛(wèi)星數(shù)據(jù)的預處理流程,包括野值處理、數(shù)據(jù)壓縮、數(shù)據(jù)轉換、數(shù)據(jù)歸一化四個步驟。經(jīng)過處理后的數(shù)據(jù)更適合后續(xù)的預測研究。第三,將粒子群優(yōu)化算法(PSO)的搜索能力和支持向量回歸機(SVR)優(yōu)秀的非線性映射性能相結合,提出將PSO-SVR組合模型用于衛(wèi)星姿態(tài)的短期預測。其中PSO用于解決SVR中參數(shù)的設置問題,包括懲罰系數(shù)、不敏感參數(shù)、核函數(shù)參數(shù)。采用衛(wèi)星姿態(tài)控制系統(tǒng)中的真實數(shù)據(jù)驗證PSO-SVR組合模型的有效性,并與BP神經(jīng)網(wǎng)絡、GM(1,1)、殘差修正GM(1,1)的對比實驗表明本文所提方法更適合衛(wèi)星姿態(tài)預測。第四,相關向量機(RVM)是基于貝葉斯框架下的學習算法,能夠獲得概率形式的輸出。本文借鑒前人對PSO-RVM模型的研究成果,提出一種改進PSO-RVM的區(qū)間預測方法。其中PSO算法同樣用于解決參數(shù)設置的問題,此處為核函數(shù)參數(shù)。選擇某衛(wèi)星一次電源系統(tǒng)中IN1、VN1作為研究對象,實驗結果表明PSO-RVM具有與PSO-SVR相當甚至更高的預測精度,且效率高、模型更稀疏,能夠獲得較準確的預測區(qū)間。本文提出的相關預測方法能夠為衛(wèi)星監(jiān)測提供一定的輔助作用,為衛(wèi)星時序數(shù)據(jù)中的預測研究提供一定的參考和借鑒。
【關鍵詞】：衛(wèi)星 時間序列預測 粒子群優(yōu)化算法 支持向量回歸機 相關向量機
【學位授予單位】：南京航空航天大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：V467;V557
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 第一章 緒論11-21
• 1.1 課題研究背景與意義11-12
• 1.2 時間序列預測國內外研究現(xiàn)狀12-17
• 1.3 本文的研究內容及框架17-21
• 1.3.1 研究內容17-18
• 1.3.2 結構框架18-21
• 第二章 基礎理論介紹21-35
• 2.1 BP神經(jīng)網(wǎng)絡21-24
• 2.1.1 BP神經(jīng)網(wǎng)絡的結構21-22
• 2.1.2 BP神經(jīng)網(wǎng)絡的學習過程22-24
• 2.2 支持向量回歸機24-28
• 2.2.1 支持向量回歸機24-27
• 2.2.2 支持向量機常用核函數(shù)27-28
• 2.3 相關向量機28-32
• 2.3.1 相關向量機的回歸原理28-31
• 2.3.2 相關向量機常用核函數(shù)31-32
• 2.4 灰色預測模型32-34
• 2.4.1 GM(1,1)模型32-33
• 2.4.2 殘差修正GM(1,1)模型33-34
• 2.5 本章小結34-35
• 第三章 基于PSO-SVR模型的衛(wèi)星姿態(tài)短期預測研究35-61
• 3.1 衛(wèi)星時序數(shù)據(jù)預測研究中的預處理35-40
• 3.1.1 野值處理36-37
• 3.1.2 數(shù)據(jù)壓縮37-38
• 3.1.3 數(shù)據(jù)轉換38-39
• 3.1.4 數(shù)據(jù)歸一化39-40
• 3.2 預測模型的評價標準40
• 3.2.1 平均絕對百分比誤差40
• 3.2.2 均方根誤差40
• 3.2.3 標準均方誤差40
• 3.3 PSO-SVR模型概述40-41
• 3.4 衛(wèi)星姿態(tài)PSO-SVR預測模型的流程41-45
• 3.5 PSO-SVR模型應用45-59
• 3.5.1 實驗數(shù)據(jù)45-47
• 3.5.2 實驗參數(shù)的設置47-53
• 3.5.3 實驗結果及分析53-59
• 3.6 本章小結59-61
• 第四章 基于PSO-RVM模型的衛(wèi)星電源參數(shù)區(qū)間預測研究61-73
• 4.1 PSO-RVM模型概述61-62
• 4.2 衛(wèi)星電源PSO-RVM區(qū)間預測模型的流程62-65
• 4.3 PSO-RVM模型應用65-72
• 4.3.1 實驗數(shù)據(jù)65
• 4.3.2 實驗參數(shù)的設置65-68
• 4.3.3 實驗結果及分析68-72
• 4.4 本章小結72-73
• 第五章 總結與展望73-76
• 5.1 本文總結73-74
• 5.2 研究展望74-76
• 參考文獻76-81
• 致謝81-82
• 在學期間的研究成果及發(fā)表的學術論文82

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 劉昆;李穎芳;李紅林;;一種時序數(shù)據(jù)間斷頻繁項挖掘算法[J];科技視界;2013年06期

2 周家杰;余丹;馬世龍;陳麗萍;;面向航天器測試的時序數(shù)據(jù)模式表示方法研究[J];計算機應用研究;2011年01期

3 孟娜;周以齊;陳新立;;時序數(shù)據(jù)的隨機子空間模型辨識和一步預測[J];機械科學與技術;2007年09期

4 劉齊宏;李天德;周志斌;易彬;唐常杰;劉齊巍;;基于RFID與基因表達式編程的經(jīng)濟統(tǒng)計時序挖掘[J];四川大學學報(工程科學版);2008年05期

5 董輝;方曉;方躍勝;;一種時序關聯(lián)規(guī)則挖掘算法的研究與實現(xiàn)[J];長春工程學院學報(自然科學版);2012年01期

6 王加陽,廖超;基于粗糙熵的時序數(shù)據(jù)屬性約簡及規(guī)則提取研究[J];湖南大學學報(自然科學版);2005年04期

7 葉晴;;集思特思發(fā)布新一代時序數(shù)據(jù)產(chǎn)品TSM7[J];中國水利;2009年04期

8 彭宏;基于小波變換的時序數(shù)據(jù)相似性挖掘[J];西華大學學報(自然科學版);2005年01期

9 王加陽,李超良,李睿;線性回歸法在時序數(shù)據(jù)聚集中的應用[J];企業(yè)技術開發(fā);2003年13期

10 賈明明;劉殿偉;宋開山;王宗明;姜廣甲;杜嘉;曾麗紅;;基于MODIS時序數(shù)據(jù)的澳大利亞土地利用/覆被分類與驗證[J];遙感技術與應用;2010年03期

中國重要會議論文全文數(shù)據(jù)庫 前2條

1 羅雄飛;王宏安;田豐;戴國忠;滕東興;;FisheyeLines:一種時序數(shù)據(jù)的可視化技術[A];第四屆和諧人機環(huán)境聯(lián)合學術會議論文集[C];2008年

2 陳懿冰;張玲玲;石勇;;基于改進的支持向量回歸機的金融時序預測[A];第六屆（2011）中國管理學年會論文摘要集[C];2011年

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 程文聰;面向大規(guī)模網(wǎng)絡安全態(tài)勢分析的時序數(shù)據(jù)挖掘關鍵技術研究[D];國防科學技術大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 戚雪冰;風電監(jiān)控系統(tǒng)中時序數(shù)據(jù)管理系統(tǒng)的設計與實現(xiàn)[D];東南大學;2015年

2 鐘足華;衛(wèi)星遙測時序數(shù)據(jù)中預測算法研究[D];南京航空航天大學;2015年

3 韓驊宇;時序數(shù)據(jù)的高效存儲與檢索[D];北京交通大學;2014年

4 周強;時序數(shù)據(jù)挖掘在經(jīng)濟領域中的應用研究[D];合肥工業(yè)大學;2005年

5 花珊;面向時序數(shù)據(jù)流的分布式緩存系統(tǒng)設計與實現(xiàn)[D];中山大學;2014年

6 周到;基于Microarray時序表達數(shù)據(jù)識別周期表達基因[D];華中科技大學;2007年

7 張元;基于智能決策支持的時序數(shù)據(jù)挖掘系統(tǒng)的研究[D];華北工學院;2004年

8 趙國慶;基因表達時序數(shù)據(jù)聚類和比對分析方法研究[D];蘇州大學;2011年

9 王丹;基于Hadoop平臺的時序數(shù)據(jù)處理方法研究[D];中國科學技術大學;2015年

10 姚世杰;基于流形學習的高維時序數(shù)據(jù)狀態(tài)估計算法的研究與實現(xiàn)[D];武漢科技大學;2014年

  本文關鍵詞：衛(wèi)星遙測時序數(shù)據(jù)中預測算法研究，由筆耕文化傳播整理發(fā)布。

本文編號：265965