CN105320987A - 一种基于bp神经网络的卫星遥测数据智能判读方法 - Google Patents
一种基于bp神经网络的卫星遥测数据智能判读方法 Download PDFInfo
- Publication number
- CN105320987A CN105320987A CN201510604354.1A CN201510604354A CN105320987A CN 105320987 A CN105320987 A CN 105320987A CN 201510604354 A CN201510604354 A CN 201510604354A CN 105320987 A CN105320987 A CN 105320987A
- Authority
- CN
- China
- Prior art keywords
- layer
- unit
- output
- neural network
- telemetry
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种基于BP神经网络的卫星遥测数据智能判读方法,包括离线自主学习模块和实时在线判读模块两部分。离线自主学习模块基于历史遥测数据库中的遥测数据样本和新获得的遥测数据样本进行自主学习,得到用于遥测数据判读的神经网络模型。实时在线判读模块依据离线自主学习模块获得的神经网络模型,对遥测数据进行在线实时的判读。本发明利用历史遥测数据库中的遥测数据样本进行算法模型的学习及建立,在遥测数据判读的过程中利用新获得的遥测数据样本进行再学习;确保在整个遥测数据智能判读过程中,用于遥测数据判读的神经网络模型精度随着时间的延长及遥测数据量的增加不断提高。
Description
技术领域
本发明涉及一种基于BP神经网络的卫星遥测数据智能判读方法,属于卫星测试技术领域。
背景技术
卫星下传的遥测数据能够反映星上各设备功能、性能及工作状态。为了准确把握卫星的工作状态,及时发现问题,在地面综合测试过程中,测试人员必须对这些数据进行不间断的监视和判读。卫星遥测数据判读是指卫星在地面综合测试过程中,依据判读准则,对卫星控制指令、下行遥测数据进行相关性检查,判断卫星各设备工作是否正常、接口是否正确、卫星运行是否正常的过程。
目前,卫星遥测数据的判读主要依靠人工完成,处理过程有以下几个特点:工作量非常大、需要专家的经验知识,且海量数据无法完全通过人工进行判读。为了有效地利用星上下传的遥测数据,在测试过程中对卫星进行实时的监视,利用人工智能技术实现卫星遥测数据的智能判读是卫星综合测试的必然趋势。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供一种基于BP神经网络的卫星遥测数据智能判读方法;利用数据库中的遥测数据作为样本进行算法模型的学习及建立,然后依据学习获得的神经网络模型,对遥测数据进行在线实时的智能判读。本发明能够自主地发现数据异常,向测试人员发出故障警报,并且算法执行效率高,能够很好地满足卫星测试的实时性要求,适用于长期遥测数据的智能判读。
本发明的技术解决方案是:一种基于BP神经网络的卫星遥测数据智能判读方法,具体步骤如下:
(1)初始化用于遥测数据判读的BP神经网络模型,给模型的输入层至中间层连接权W(k)、中间层至输出层连接权V(k)、中间层各单元输出阈值θ(k)及输出层各单元输出阈值γ(k)赋予(-1,1)间的随机值。
(2)从遥测数据样本集中随机选一组相关联的样本数据组成输入向量和输出向量,将输入向量和输出向量进行归一化使其在(-1,1)之间,然后将输入向量和输出向量提供给神经网络模型的输入层和输出层。
(3)利用输入层的遥测样本数据、连接权W(k)和阈值θ(k),计算中间层各单元的输入值、输出值;利用中间层各单元的输出值、连接权V(k)和阈值γ(k),计算输出层各单元的输入、输出。
(4)利用输出层各单元的输出和输出层的遥测样本数据,计算输出层各单元的一般化误差;利用中间层各单元的输出值、输出层各单元的一般化误差和连接权V(k),计算中间层各单元的一般化误差。
(5)利用输出层各单元的一般化误差、中间层各单元的输出值和连接权V(k),计算更新后的连接权V(k+1)和阈值γ(k+1);利用中间层各单元的一般化误差、输入层的遥测样本数据和连接权W(k),计算更新后的连接权W(k+1)和θ(k+1)。
(6)随机选取下一组遥测数据样本组提供给模型,返回步骤(2),直至全部遥测数据样本学习完毕,完成一次用于遥测数据判读的BP神经网络模型的学习。
(7)重复步骤2~6,直至由输出层各单元的输出值和输出层的遥测样本数据计算所得的网络全局误差函数E≤ε;或者,当学习次数大于预先设定值,强制神经网络停止学习。其中,ε为网络性能目标误差。
(8)依据上述步骤获得的神经网络模型通过输入遥测参数值,计算被判读遥测参数的期望值;通过比较计算所得的期望值与实时遥测数据,进行遥测参数的智能判读。如果判读结果异常,通过语音向测试人员发出故障警报。
本发明与现有技术相比的优点是:
(1)改变了目前遥测数据的处理与分析主要依靠人工完成的现状。实际测试过程中,工作量非常大、需要专家的经验知识,且海量数据无法完全通过人工进行判读;应用此数据判读方法能够自主地发现数据异常,向测试人员发出故障警报。
(2)通过合理构建BP神经网络模型,该方法能够依据遥测数据样本集,自主地学习获得用于遥测数据判读的BP神经网络模型,利用学习获得的模型实时对遥测数据进行智能判读,并能够向测试人员发出故障警报;模型的学习过程离线进行,能够使实时在线遥测判读过程高效地执行,模型精度随着时间的延长及样本数据量的增加不断提高,能够很好地满足卫星测试的实时性要求,适用于长期遥测数据的智能判读。
本发明与现有技术相比的优点在于:本发明利用历史遥测数据库中的遥测数据样本进行算法模型的学习及建立,在遥测数据判读的过程中利用新获得的遥测数据样本进行再学习;确保在整个遥测数据智能判读过程中,用于遥测数据判读的神经网络模型精度随着时间的延长及遥测数据量的增加不断提高。
附图说明
图1为本发明方法工作流程图;
图2为遥测数据红外滚动估值的判读结果。
具体实施方式
本发明提供一种基于BP神经网络的卫星遥测数据智能判读方法,下面结合附图1对本发明的判读步骤作进一步详细地描述:
如果要实现遥测数据的判读,首先要学习获得用于遥测数据判读的BP神经网络模型。模型的具体学习过程如下:
(1)用于遥测数据判读的BP神经网络参数初始化;设置网络层数为三层,各层单元数、各层之间的连接权及输出阈值W(k)、V(k)、θ(k)、γ(k);输入层向量:Ak=(a1,a2,…,an);对应输入层向量的期望输出向量为:Yk=(y1,y2,…,yq);中间层单元输入向量为:Sk=(s1,s2,…,sp);中间层单元输出向量为:Bk=(b1,b2,…,bp);输出层单元输入向量为:Lk=(l1,l2,…,lq);输出层单元输出向量为:
Ck=(c1,c2,…,cq),其中k=1,2,…m。
(2)从遥测数据样本集中随机选取样本,按照公式(1)将遥测样本X进行归一化;然后将样本数据提供给神经网络模型的输入层和输出层。
(3)利用提供的遥测样本数据、连接权和阈值,按照公式(2)~(3)计算各层中各单元的输入值、输出值。
(4)利用各层中各单元的输出和遥测样本数据,按照公式(4)~(5)计算各层中各单元的一般化误差。
(5)基于误差反向传播算法,按照公式(6)~(9)计算更新后的中间层至输出层及输入层至中间层的连接权值和输出各单元阈值。
其中,α、β为神经网络的学习率,设置常值0.01。
(6)随机选取下一组遥测数据样本组提供给模型,完成模型的循环学习。
(7)根据神经网络全局误差E≤ε和学习次数,判断是否输出神经网络模型。其中,ε为常值1×10-5,学习次数最大为500000,能够提高判读的准确性和效率。E的计算公式如下:
获得用于遥测数据判读的BP神经网络模型之后,进行遥测参数的智能判读步骤如下:
(8)根据学习获得的神经网络模型对实时下传的遥测数据进行智能判读,通过监控终端进行故障报警并将故障信息提交测试人员;同时利用获得的新遥测数据样本启动神经网络自主学习更新神经网络模型。
本发明以遥测数据红外滚动估值的智能判读为例,对上述具体实施过程进行说明。设计的神经网络具有两层隐含层,其中第一层设置20个单元数,第二层设置40个单元数。人工神经网络所有的训练集样本来源于控制分系统实际测试过程中产生的遥测数据。红外滚动估值判读的样本数量437,以遥测数据红外弦宽、红外前基、地心距作为输入向量,以遥测数据红外滚动估值作为输出向量。在取得训练所需的样本数据后,对BP神经网络进行离线训练。利用学习得到的神经网络模型对遥测数据进行判读,将经神经网络的预测值与实际遥测值做差分析。结果如图2所示,其中图a为遥测数据红外滚动估值的经神经网络的预测值与实际遥测值比对,图b为预测值与实际遥测值的差值。其中,红外地球敏感器的判读阈值为0.02°。从图中可以看出,本发明能够有效地对遥测数据红外滚动估值进行判读。
本发明能够自主地对遥测数据进行智能判读,发现数据异常,向测试人员发出故障警报,并且算法执行效率高,能够很好地满足卫星测试的实时性要求,适用于长期遥测数据的智能判读。
本发明说明书中未作详细描述的内容属于本领域技术人员的公知技术。
Claims (2)
1.一种基于BP神经网络的卫星遥测数据智能判读方法,其特征在于遥测参数的智能判读步骤,实现步骤如下:
(1)初始化用于遥测数据判读的BP神经网络模型,给BP神经网络模型的输入层至中间层连接权W(k)={Wij}i=1,2,…n.j=1,2,…p、中间层至输出层连接权V(k)={Vjt}j=1,2,…p.t=1,2,…q、中间层各单元输出阈值θ(k)={θj}j=1,2,…p、及输出层各单元输出阈值γ(k)={γt}t=1,2,…,q赋予(-1,1)间的随机值,其中,k=1,2,…,m为迭代次数,n为输入层单元个数;p为中间层单元个数;q为输出层单元个数;
(2)从遥测数据样本集中随机选一组相关联的样本数据组成输入向量和输出向量,将输入向量和输出向量进行归一化使其在(-1,1)之间,然后将输入向量和输出向量分别作为输入层的遥测样本数据和输出层的遥测样本数据提供给BP神经网络模型的输入层和输出层;
(3)利用BP神经网络模型的输入层的遥测样本数据、输入层至中间层连接权W(k)和中间层各单元输出阈值θ(k),计算中间层各单元的输入值和输出值;利用中间层各单元的输出值、输入层至中间层连接权V(k)和输出层各单元输出阈值γ(k),计算输出层各单元的输入和输出;
(4)利用输出层各单元的输出和输出层的遥测样本数据,计算输出层各单元的一般化误差;利用中间层各单元的输出值、输出层各单元的一般化误差和连接权V(k),计算中间层各单元的一般化误差;
(5)利用输出层各单元的一般化误差、中间层各单元的输出值和连接权V(k),计算更新后的连接权V(k+1)和阈值γ(k+1);利用中间层各单元的一般化误差、输入层的遥测样本数据和连接权W(k),计算更新后的连接权W(k+1)和θ(k+1);
(6)随机选取下一组遥测数据样本组提供给BP神经网络模型,返回步骤(2),直至全部遥测数据样本学习完毕,完成一次用于遥测数据判读的BP神经网络模型的学习;
(7)重复步骤2~6,直至由输出层各单元的输出值和输出层的遥测样本数据计算所得的网络全局误差函数E≤ε;或者,当学习次数大于预先设定值,强制神经网络停止学习,其中,ε为网络性能目标误差;
(8)依据上述步骤获得的BP神经网络模型通过输入遥测参数值,计算被判读遥测参数的期望值;通过比较计算所得的期望值与实时遥测数据,进行遥测参数的智能判读;如果判读结果异常,通过语音提示向测试人员发出故障警报。
2.根据权利要求1所述的基于BP神经网络的卫星遥测数据智能判读方法,其特征在于:本发明中,根据遥测数据的特点,设置ε为常值1×10-5,学习次数最大为500000,能够提高判读的准确性和效率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604354.1A CN105320987B (zh) | 2015-09-21 | 2015-09-21 | 一种基于bp神经网络的卫星遥测数据智能判读方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510604354.1A CN105320987B (zh) | 2015-09-21 | 2015-09-21 | 一种基于bp神经网络的卫星遥测数据智能判读方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105320987A true CN105320987A (zh) | 2016-02-10 |
CN105320987B CN105320987B (zh) | 2018-08-31 |
Family
ID=55248335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510604354.1A Active CN105320987B (zh) | 2015-09-21 | 2015-09-21 | 一种基于bp神经网络的卫星遥测数据智能判读方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105320987B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
RU2679742C1 (ru) * | 2018-04-26 | 2019-02-12 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Наземный автоматизированный комплекс управления космическими аппаратами на базе нейросетевых технологий и элементов искусственного интеллекта с использованием базы знаний на основе технологии блокчейн и способ управления его реконфигурацией |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109523030A (zh) * | 2018-10-31 | 2019-03-26 | 中国运载火箭技术研究院 | 一种基于机器学习的遥测参数异常监测系统 |
CN109753045A (zh) * | 2017-11-08 | 2019-05-14 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
CN111007536A (zh) * | 2019-12-11 | 2020-04-14 | 西安中科天塔科技股份有限公司 | 一种自动化卫星遥控方法、装置及系统 |
CN117454212A (zh) * | 2023-12-25 | 2024-01-26 | 中国西安卫星测控中心 | 一种基于数据聚类的遥测数据互检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360455A (zh) * | 2011-10-21 | 2012-02-22 | 南京航空航天大学 | 基于专家知识和神经网络的太阳翼展开可靠性评估方法 |
CN103020728A (zh) * | 2012-11-05 | 2013-04-03 | 青海电力科学试验研究院 | 一种电力系统中变电站短期电能质量预测方法 |
US20130138436A1 (en) * | 2011-11-26 | 2013-05-30 | Microsoft Corporation | Discriminative pretraining of deep neural networks |
-
2015
- 2015-09-21 CN CN201510604354.1A patent/CN105320987B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360455A (zh) * | 2011-10-21 | 2012-02-22 | 南京航空航天大学 | 基于专家知识和神经网络的太阳翼展开可靠性评估方法 |
US20130138436A1 (en) * | 2011-11-26 | 2013-05-30 | Microsoft Corporation | Discriminative pretraining of deep neural networks |
CN103020728A (zh) * | 2012-11-05 | 2013-04-03 | 青海电力科学试验研究院 | 一种电力系统中变电站短期电能质量预测方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446506A (zh) * | 2016-08-26 | 2017-02-22 | 航天东方红卫星有限公司 | 一种多方法组合的小卫星状态自主智能预测方法 |
CN109753045A (zh) * | 2017-11-08 | 2019-05-14 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
CN109753045B (zh) * | 2017-11-08 | 2020-05-05 | 中国科学院沈阳自动化研究所 | 一种基于bp神经网络的航天器姿控系统故障诊断方法 |
RU2679742C1 (ru) * | 2018-04-26 | 2019-02-12 | Акционерное общество "Российская корпорация ракетно-космического приборостроения и информационных систем" (АО "Российские космические системы") | Наземный автоматизированный комплекс управления космическими аппаратами на базе нейросетевых технологий и элементов искусственного интеллекта с использованием базы знаний на основе технологии блокчейн и способ управления его реконфигурацией |
CN109361447A (zh) * | 2018-09-10 | 2019-02-19 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109361447B (zh) * | 2018-09-10 | 2019-09-17 | 清华大学 | 基于机器学习的遥测数据弹性传输方法及装置 |
CN109523030A (zh) * | 2018-10-31 | 2019-03-26 | 中国运载火箭技术研究院 | 一种基于机器学习的遥测参数异常监测系统 |
CN109523030B (zh) * | 2018-10-31 | 2021-09-07 | 中国运载火箭技术研究院 | 一种基于机器学习的遥测参数异常监测系统 |
CN111007536A (zh) * | 2019-12-11 | 2020-04-14 | 西安中科天塔科技股份有限公司 | 一种自动化卫星遥控方法、装置及系统 |
CN117454212A (zh) * | 2023-12-25 | 2024-01-26 | 中国西安卫星测控中心 | 一种基于数据聚类的遥测数据互检测方法 |
CN117454212B (zh) * | 2023-12-25 | 2024-03-15 | 中国西安卫星测控中心 | 一种基于数据聚类的遥测数据互检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105320987B (zh) | 2018-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105320987A (zh) | 一种基于bp神经网络的卫星遥测数据智能判读方法 | |
CN108734360B (zh) | 一种基于修正的elm预测模型多维遥测数据智能判读方法 | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
CN102269972B (zh) | 基于遗传神经网络的管道压力缺失数据补偿方法及装置 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN103530818B (zh) | 一种基于brb系统的供水管网建模方法 | |
CN103793853A (zh) | 基于双向贝叶斯网络的架空输电线路运行状态评估方法 | |
CN110766212A (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN102722759A (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN104376361A (zh) | 一种基于bp神经网络算法的核事故源项反演方法 | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
CN109975366B (zh) | 农村生活污水a2o处理终端出水cod浓度软测量方法及装置 | |
CN103942461A (zh) | 基于在线贯序极限学习机的水质参数预测方法 | |
CN106443566B (zh) | 基于大数据推演的电能计量装置误差检测方法及系统 | |
CN106548270A (zh) | 一种光伏电站功率异常数据辨识方法及装置 | |
CN105160423A (zh) | 一种基于马尔科夫残差修正的光伏发电预测方法 | |
CN111898867B (zh) | 一种基于深度神经网络的飞机总装生产线产能预测方法 | |
CN111062170A (zh) | 一种变压器顶层油温预测方法 | |
CN114548509A (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
CN112558601B (zh) | 一种基于Q-learning算法和水滴算法的机器人实时调度方法及系统 | |
CN111122811A (zh) | 一种oica和rnn融合模型的污水处理过程故障监测方法 | |
CN113743674A (zh) | 基于深度学习的储能出力预测方法、系统、设备及介质 | |
Li et al. | Tailings pond risk prediction using long short-term memory networks | |
CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
CN110222916B (zh) | 农村生活污水a2o处理终端出水总氮浓度软测量方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |