没有合适的资源?快使用搜索试试~ 我知道了~
温馨提示
试读
77页
本文将机器学习算法应用于卫星关键参数趋势预测中,主要有如下几部分: (1)针对卫星关键参数受噪声影响、数据缺失以及机器学习预测模型选择问题,分 析比较了几种常用方法和3种评价指标,提出了基于BAS优化的自适应小波阈值去噪算 法,实验数据表明该算法可行且有效。 (2)利用浅层学习模型中的快速学习网络(FLN)、Elman神经网络以及回声状态 网络(ESN)实现趋势预测。针对传统ESN当前时刻的状态值与前一时刻的状态值没有 直接关系,因此通过增加调节参数β来控制前一个时刻神经元的状态,提高ESN的记忆 能力。由于采用最小二乘回归法训练网络输出权值可能存在解的“奇异”问题,则采用 岭回归算法(Ridge Regression,RR)取代原有的线性回归方法,从而有效调节输出权值 的幅值。针对ESN网络参数的选择问题,利用樽海鞘群算法(SSA)获得ESN网络重 要参数的最优值,使得预测模型更加准确。 (3)针对单一模型对非线性、非平稳时间序列预测难以达到理想的预测精度,将改 进的集成经验模态分解(MEEMD)和长短时记忆网络(LSTM)结合形成MEEMD-LSTM 组合预测模型。
资源推荐
资源详情
资源评论
万方数据
西安理工大学硕士学位论文
II
(4)将提到的几种机器学习模型应用于锂离子电池容量趋势预测实例中来验证算法
的有效性,实验结果表明,在浅层学习模型中 ESN 网络预测精度较高,使用群智能算法
组合预测模型能够提高传统 ESN 神经网络的预测精度;深度学习模型中 MEEMD-LSTM
模型具有较好的预测效果。
(5)采用 MATLAB 与 C#语言联合编程开发了一套综合电子系统健康监测软件系
统。
关键词:趋势预测;群智能优化算法;机器学习方法;改进的集成经验模态分解法
万方数据
目 录
V
目 录
1 绪论 ....................................................................................................................................... 1
研究背景与意义 ......................................................................................................... 1 1.1
趋势预测方法综述 ..................................................................................................... 1 1.2
国内外研究现状 ......................................................................................................... 3 1.3
1.3.1 国外研究现状 ................................................................................................... 3
1.3.2 国内研究现状 ................................................................................................... 4
论文研究内容与结构 ................................................................................................. 4 1.4
2 相关理论和关键技术 ........................................................................................................... 7
机器学习概述 ............................................................................................................. 7 2.1
机器学习的类型 ......................................................................................................... 7 2.2
2.2.1 人工神经网络 ................................................................................................... 7
2.2.2 深度学习 ........................................................................................................... 8
2.2.3 群智能优化算法 ............................................................................................... 9
机器学习预测模型的设计步骤 ............................................................................... 11 2.3
预测模型的评价指标 ............................................................................................... 12 2.4
数据预处理 ............................................................................................................... 13 2.5
2.5.1 缺失值处理 ..................................................................................................... 13
2.5.2 数据降噪 ......................................................................................................... 14
2.5.3 数据标准化 ..................................................................................................... 18
本章小结 ................................................................................................................... 19 2.6
3 浅层学习模型研究 ............................................................................................................. 21
快速学习网络 ........................................................................................................... 21 3.1
Elman 神经网络 ........................................................................................................ 23 3.2
回声状态网络 ........................................................................................................... 24 3.3
3.3.1 ESN 网络 ........................................................................................................ 25
3.3.2 改进的回声状态网络 ..................................................................................... 26
3.3.3 SSA 算法优化 RMESN 模型 ......................................................................... 27
本章小结 ................................................................................................................... 28 3.4
4 深度学习模型研究 ............................................................................................................. 29
长短时记忆网络 ....................................................................................................... 29 4.1
4.1.1 循环神经网络 ................................................................................................. 29
4.1.2 长短时记忆网络 ............................................................................................. 30
长短时记忆网络的优势 ........................................................................................... 31 4.2
万方数据
西安理工大学硕士学位论文
VI
改进的集成经验模态分解方法 ............................................................................... 31 4.3
4.3.1 经验模态分解 ................................................................................................. 31
4.3.2 改进的集成经验模态分解法 ......................................................................... 33
基于 MEEMD-LSTM 的预测方法研究 .................................................................. 33 4.4
本章小结 ................................................................................................................... 35 4.5
5 卫星锂离子电池容量趋势预测实例研究 ......................................................................... 37
实验数据分析 ........................................................................................................... 37 5.1
5.1.1 数据来源 ......................................................................................................... 37
5.1.2 间接健康因子选取 ......................................................................................... 37
5.1.3 相关性分析 ..................................................................................................... 38
浅层学习模型实例分析 ........................................................................................... 39 5.2
5.2.1 快速学习网络实例分析 ................................................................................. 41
5.2.2 Elman 神经网络实例分析 ............................................................................. 43
5.2.3 回声状态网络实例分析 ................................................................................. 45
深度学习模型实例分析 ........................................................................................... 55 5.3
5.3.1 容量的 MEEMD 分解 .................................................................................... 55
5.3.2 MEEMD-LSTM 模型实例分析 ..................................................................... 57
本章小结 ................................................................................................................... 58 5.4
6 综合电子系统健康监测软件实现 ..................................................................................... 61
MATLAB 与 C#联合编程 ........................................................................................ 61 6.1
6.1.1 开发环境简介 ................................................................................................. 61
6.1.2 C#与 MATLAB 混编过程 .............................................................................. 61
综合电子系统健康监测软件框架及实现 ............................................................... 64 6.2
综合电子系统健康监测软件使用实例 ................................................................... 66 6.3
6.3.1 功能模块实例验证 ......................................................................................... 66
6.3.2 C#生成辅助决策报告 .................................................................................... 67
本章小结 ................................................................................................................... 70 6.4
7 总结与展望 ......................................................................................................................... 71
全文总结 ................................................................................................................... 71 7.1
研究展望 ................................................................................................................... 71 7.2
致谢 ............................................................................................................................................. 73
参考文献 ..................................................................................................................................... 75
攻读学位期间主要研究成果 ..................................................................................................... 79
万方数据
绪论
1
1 绪论
研究背景与意义 1.1
中国的航天事业在过去几十年期间取得了非凡的成就。目前,随着航天技术逐渐成熟
以及空间技术的发展,更多的国家开始重视航天事业的发展,航天科技技术已经成为衡量
国家综合实力的重要标志
[1]
。
作为一个集成各种先进科技的庞大而复杂系统,卫星表现出来的作用已经被应用到各
个领域并占据了不可替代的位置
[2]
。但是,当卫星进入轨道后,能否顺利完成相关任务取
决于各子系统是否正常工作,由于卫星在轨运行长时间暴露在恶劣的空间环境中以及遭受
多种外界因素的干扰,会引起系统性能发生改变或者导致卫星中断工作甚至陨落,造成十
分严重的影响以及高昂的损失
[3]
。例如,导航卫星工作异常导致无法进行 GPS 定位;通
讯卫星故障导致无法进行通讯;气象卫星故障导致无法进行气象监测来获得有效的气象信
息
[4]
。种种这些异常情况以及故障都会给国家或者人民造成难以估计的影响和经济损失。
可见,卫星关键参数的趋势预测对航天事业的健康发展有着举足轻重的意义。
研究人员指出,对在轨卫星监测管理期间会产生大量以时间序列的形式存储在数据库
中的遥测数据,这些海量数据包含大量可用于卫星趋势预测的客观规律和知识,并且能够
直观地反映出卫星各个子系统的工作状态,是趋势预测的重要基础。趋势预测是指利用历
史数据信息推测出未来趋势。因此,挖掘卫星遥测数据的特征信息并分析卫星状态参数信
息的演变规律及未来趋势,能够提早发现卫星状态参数的异常变化并对卫星在轨的状态监
测及控制管理提供一定的辅助作用,降低卫星运行风险,可以正常稳定工作。
卫星遥测数据通常具有复杂的非线性特征,而且具有种类繁多,数据密集等特点,属
于特殊的时间序列数据。时间序列预测技术被广泛地应用到卫星遥测数据预测的领域的,
其是通过对历史数据进行训练学习可得到一个非线性映射并利用非线性映射关系获得相
应的预测值,从而实现对时间序列未来趋势的预测
[5]
。本论文旨在,通过分析卫星状态参
数的具体特点,首先进行数据预处理流程,然后将机器学习方法应用到预处理后的数据的
趋势预测中,最后根据论文中使用的算法开发一套综合电子系统健康监测软件,实现对卫
星进行健康管理的目的。
趋势预测方法综述 1.2
科学预测始于 20 世纪 30 年代,目前已有近 200 种预测方法,常用的趋势预测方法大
致可以分为 3 类
[6][7]
:基于物理模型的方法,数据驱动的方法以及知识的方法,如图 1-1
所示。
万方数据
剩余76页未读,继续阅读
资源评论
- 0Oo�2022-10-30资源太好了,解决了我当下遇到的难题,抱紧大佬的大腿~
- m0_629929212022-09-16感谢大佬分享的资源给了我灵感,果断支持!感谢分享~
- gf0023562023-08-03发现一个宝藏资源,资源有很高的参考价值,赶紧学起来~
「已注销」
- 粉丝: 789
- 资源: 3613
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功