衛(wèi)星在軌狀態(tài)異變的演變趨勢分析與預(yù)測算法研究.pdf

1、由于衛(wèi)星對于國家具有極其重要的戰(zhàn)略意義，并且衛(wèi)星的制作費用昂貴，衛(wèi)星的健康與故障是近來專家學(xué)者研究的重要課題。又由于衛(wèi)星被各種因素的干擾極多，所以對衛(wèi)星在軌異變狀態(tài)的預(yù)測就變得意義尤其重大。相應(yīng)的，這樣又使得對其的預(yù)測更加困難。
　　本論文基于衛(wèi)星異變數(shù)據(jù)，從兩個方向來研究預(yù)測算法。第一是基于趨勢的預(yù)測方法，其中通過小波算法區(qū)分高頻分量和低頻分量，再運用ARMA預(yù)測模型，SVR預(yù)測模型對各分量進(jìn)行預(yù)測，最后得到了有效的預(yù)測結(jié)果。第

2、二是基于相似度的預(yù)測算法，論文中創(chuàng)新性的提出了通過模糊聚類的方法，求得相似的序列區(qū)間，通過相似度的匹配進(jìn)行預(yù)測，準(zhǔn)確預(yù)測到衛(wèi)星異變發(fā)生的時間點。
　　第一，基于趨勢的預(yù)測方法中，本論文針對衛(wèi)星實測數(shù)據(jù)的特性，提出了通過基于小波分解、SVR預(yù)測模型、ARMA預(yù)測模型的優(yōu)化方法。由于衛(wèi)星信號中含有很多高頻的抖動，所以本文中先通過小波分解將信號分為低頻的走向趨勢和高頻的信號抖動。再對低頻分量用SVR預(yù)測模型來開展預(yù)測實驗，對高頻分量用A

3、RMA預(yù)測模型來開展預(yù)測實驗。最后將兩項預(yù)測結(jié)果進(jìn)行小波重構(gòu)得到最后的預(yù)測結(jié)果。
　　第二，基于相似度的預(yù)測算法中，本論文創(chuàng)新性的將模糊聚類算法運用到相似度匹配預(yù)測中，模糊聚類主要對歷史相似數(shù)據(jù)區(qū)域進(jìn)行劃分和選取。首先將歷史數(shù)據(jù)庫中的數(shù)據(jù)段，利用模糊聚類算法對不同的異變類型聚類。再將待預(yù)測數(shù)據(jù)段和數(shù)據(jù)類型庫中的數(shù)據(jù)段做相似度匹配，根據(jù)匹配到的歷史數(shù)據(jù)段的相應(yīng)參數(shù)和特性來預(yù)測需要的預(yù)測值。此方案得到的預(yù)測結(jié)果在誤差指標(biāo)上較于常用的相