基于機器學(xué)習(xí)方法的航天器在軌狀態(tài)異變趨勢預(yù)測算法研究.pdf

1、航天器指的是在地球大氣層以外的宇宙空間中按照天體力學(xué)運動的各種飛行器，本文研究對象為人造衛(wèi)星。衛(wèi)星是一種高動態(tài)復(fù)雜的系統(tǒng)，造價昂貴，維護成本高，并且對國家有及其重要的戰(zhàn)略意義。若衛(wèi)星狀態(tài)異變處理不及時可能會引發(fā)衛(wèi)星事故，造成嚴(yán)重損失。衛(wèi)星狀態(tài)異變往往伴隨著其關(guān)鍵參數(shù)的異變，因此可以基于關(guān)鍵參數(shù)歷史數(shù)據(jù)上對異變趨勢進行預(yù)測，以減小在軌衛(wèi)星發(fā)生不可逆故障的可能性。
　　本研究主要內(nèi)容包括：⑴針對研究對象----合作方提供的衛(wèi)星實測信號

2、時間序列的特點進行簡要的分析，提出與之相適應(yīng)的數(shù)據(jù)清洗預(yù)處理流程，包括去除野值、插值補償、高頻降噪，并說明機器學(xué)習(xí)模型預(yù)測精確度的量化判定指標(biāo)。⑵使用淺層學(xué)習(xí)模型中的支持向量回歸機(SVR)對實測數(shù)據(jù)進行趨勢預(yù)測，該模型能夠高效地進行短時間趨勢預(yù)測。針對SVR參數(shù)最優(yōu)化問題，使用智能優(yōu)化算法中的遺傳算法以及粒子群算法，優(yōu)化SVR中自由參數(shù)，并在粒子群算法中優(yōu)化固定慣性權(quán)重為遞減慣性權(quán)重函數(shù)，同時添加收縮因子自適應(yīng)項函數(shù)于速度迭代式，改善

3、其最優(yōu)搜索性能，從而使得預(yù)測模型更為精確。⑶使用深度學(xué)習(xí)模型深度神經(jīng)網(wǎng)絡(luò)中長短期記憶網(wǎng)絡(luò)(LSTM)對實測數(shù)據(jù)進行情景學(xué)習(xí)和趨勢預(yù)測，該模型可以有效預(yù)測中長時間趨勢。循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)具有學(xué)習(xí)序列情景特征的能力，可以獲得一定的短期記憶，但由于RNN存在梯度彌散問題導(dǎo)致無法解決序列長期依賴問題，基于此本文提出使用 LSTM。LSTM可以從結(jié)構(gòu)源頭上改善RNN對長時間依賴的記憶能力，并通過防過擬合、小批量組合、自適應(yīng)學(xué)習(xí)率等優(yōu)化技術(shù)建立