CN106778839B - 基于局部极值优化提取的卫星遥测数据时间序列表示方法 - Google Patents
基于局部极值优化提取的卫星遥测数据时间序列表示方法 Download PDFInfo
- Publication number
- CN106778839B CN106778839B CN201611078758.2A CN201611078758A CN106778839B CN 106778839 B CN106778839 B CN 106778839B CN 201611078758 A CN201611078758 A CN 201611078758A CN 106778839 B CN106778839 B CN 106778839B
- Authority
- CN
- China
- Prior art keywords
- sequence
- local extremum
- point
- points
- equal
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radio Relay Systems (AREA)
Abstract
Description
技术领域
本发明涉及一种基于局部极值优化提取的卫星遥测数据时间序列表示方法,属于卫星遥测数据时间序列的表示方法技术领域。
背景技术
卫星遥测数据是卫星在轨工作期间运营管理人员能够获取的有关卫星工作状态与健康状态的唯一根据。采用数据挖掘和机器学习等方法对卫星遥测数据进行自动化、智能化的分析,对于卫星在轨运营维护和健康管理具有重要的价值,是当前国内外航天领域研究的热点和挑战问题。然而,现有卫星遥测数据的分析大多建立在人工标记的基础上,缺乏自动的智能标记手段,难以完成对大量数据的标记。
发明内容
本发明的目的是为了解决上述现有技术存在的问题,进而提供一种基于局部极值优化提取的卫星遥测数据时间序列表示方法。
本发明的目的是通过以下技术方案实现的:
一种基于局部极值优化提取的卫星遥测数据时间序列表示方法,
(1)给定时间序列X={x(t1),x(t2),…,x(tn)},X的初始局部极值点为满足公式(1)所有点,以及x(t1)和x(tn)
其中,2≤i≤n-1。
pj+1-pj-1>C (2)
其中,1≤j≤m-1。
同时,对基于保持时间为C的局部极值的提取进行优化,伪代码如下:
X的转折点为原序列中多有满足公式(3)的集合:
式中,1<i<n。
合并M和N,按照时间下标大小重新排序,作为序列X的关键点序列,以此关键点序列对卫星遥测原始数据进行表示。
本发明针对原始数据数据量大、存在较多噪声等问题,研究一种基于局部极值优化提取的卫星遥测数据时间序列表示方法,实现了对原始数据的约减与聚类的特征提取,减少了计算量同时减少了噪声对后续聚类算法的影响。本发明提取出的关键点序列更能反映原始数据序列的趋势特性,同时保留了更多原始数据的形态细节,有效地提高了对卫星分段数据在聚类分析中的适应性。
附图说明
图1为本发明基于局部极值优化提取的卫星遥测数据时间序列表示方法的流程图。
具体实施方式
下面将对本发明做进一步的详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式,但本发明的保护范围不限于下述实施例。
本实施例所涉及的一种基于局部极值优化提取的卫星遥测数据时间序列表示方法,具体步骤如下:
(1)给定时间序列X={x(t1),x(t2),…,x(tn)},X的初始局部极值点为满足公式(1)所有点,以及x(t1)和x(tn)
其中,2≤i≤n-1。
pj+1-pj-1>C (2)
其中,1≤j≤m-1。
同时,对基于保持时间为C的局部极值的提取进行优化,伪代码如下:
X的转折点为原序列中多有满足公式(3)的集合:
式中,1<i<n。
合并M和N,按照时间下标大小重新排序,作为序列X的关键点序列,以此关键点序列对卫星遥测原始数据进行表示。
对于给定时间序列X={x(t1),x(t2),…,x(tn)},序列中的特殊点(SpecialPoint,SP)提取算法的伪代码如下。
输入:原始序列X,局部极值保持时间a,三点转折阈值c。
输出:特殊点序列SPS={x(ts1),x(ts2),…,x(tsv)}
SPS提取的控制参数决定了序列中SP的数量与表示质量。参数选择一般需要先对数据进步初步分析和预判参数选取。
以上所述,仅为本发明较佳的具体实施方式,这些具体实施方式都是基于本发明整体构思下的不同实现方式,而且本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (2)
1.一种基于局部极值优化提取的卫星遥测数据时间序列表示方法,其特征在于,
(1)给定卫星遥测数据的原始时间序列X={x(t1),x(t2),…,x(tn)},X的初始局部极值点为满足公式(1)所有点,以及x(t1)和x(tn)
其中,2≤i≤n-1;
pj+1-pj-1>C (2)
其中,1≤j≤m-1;
同时,对基于保持时间为C的局部极值的提取进行优化,步骤如下:
a)初始化循环变量i=2,同时计算IM的长度变量m;
b)若i<m-1成立,则进行步骤c),否则停止优化过程;
c)若pj+1-pj-1≤C成立,则进行步骤d),否则进行步骤f);
e)更新IM的长度变量m=m-1;
f)更新循环变量i=i+1;
g)重新进行步骤b);
X的转折点为原序列中多有满足公式(3)的集合:
式中,1<i<n;
合并M和N,按照时间下标大小重新排序,作为卫星遥测数据的原始时间序列X的关键点序列,以此关键点序列对卫星遥测原始数据的原始时间序列进行表示。
2.根据权利要求1所述的基于局部极值优化提取的卫星遥测数据时间序列表示方法,其特征在于,对于给定时间序列X={x(t1),x(t2),…,x(tn)},序列中的特殊点提取算法
输入为:原始序列X,局部极值保持时间a,三点转折阈值c;
输出为:特殊点序列SPS={x(ts1),x(ts2),…,x(tsv)};具体步骤如下:
(1)将x(t1)于x(tn)放入初始局部极值集合IM与中,并初始化循环变量i=2;
(2)判断i是否小于等于n-1;若是,则进行步骤(3);若否,则进行步骤(9);
(4)将满足三角转折点条件的值x(ti)放入转折点集合S中;
(5)判断{x(ti)≤x(ti-1)∩x(ti)<x(ti+1)}∪{x(ti)<x(ti-1)∩x(ti)≤x(ti+1)}∪{x(ti)≥x(ti-1)∩x(ti)>x(ti+1)}∪{x(ti)>x(ti-1)∩x(ti)≥x(ti+1)}是否成立;若是,则进行步骤(6);若否,则进行步骤(7);
(7)更新循环变量i=i+1;
(8)重复进行步骤(2);
(9)初始化循环变量i=2,并计算筛选出的局部极值IM集合长度m
(10)若i<m-1成立,则进行步骤(11),否则进行步骤(16);
(11)若qj+1-qj-1≤a成立,则进行步骤(12),否则进行步骤(14);
(13)更新IM的长度变量m=m-1;
(14)更新循环变量i=i+1;
(15)重新进行步骤(10);
(16)获取特殊点序列SPS={x(tp1),x(tp2),…,x(tpv)}=S∪IM;
其中,SPS提取的控制参数决定了序列中SP的数量与表示质量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611078758.2A CN106778839B (zh) | 2016-11-30 | 2016-11-30 | 基于局部极值优化提取的卫星遥测数据时间序列表示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611078758.2A CN106778839B (zh) | 2016-11-30 | 2016-11-30 | 基于局部极值优化提取的卫星遥测数据时间序列表示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106778839A CN106778839A (zh) | 2017-05-31 |
CN106778839B true CN106778839B (zh) | 2021-02-26 |
Family
ID=58898944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611078758.2A Active CN106778839B (zh) | 2016-11-30 | 2016-11-30 | 基于局部极值优化提取的卫星遥测数据时间序列表示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106778839B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826070A (zh) * | 2010-04-27 | 2010-09-08 | 上海第二工业大学 | 一种基于关键点的数据序列线性拟合方法 |
CN102867052A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于特征点符号聚集近似的时间序列异常挖掘方法 |
WO2013010569A1 (en) * | 2011-07-15 | 2013-01-24 | European Space Agency | Method and apparatus for monitoring an operational state of a system on the basis of telemetry data |
WO2013029646A1 (en) * | 2011-08-26 | 2013-03-07 | European Space Agency | Method, device and system for compressing time series data |
CN104820779A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于极值点和转折点的时间序列降维方法 |
CN104899327A (zh) * | 2015-06-24 | 2015-09-09 | 哈尔滨工业大学 | 一种无类别标签的时间序列异常检测方法 |
CN106053978A (zh) * | 2016-05-23 | 2016-10-26 | 航天东方红卫星有限公司 | 一种基于窗口的卫星非周期性遥测模拟量判读方法 |
-
2016
- 2016-11-30 CN CN201611078758.2A patent/CN106778839B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101826070A (zh) * | 2010-04-27 | 2010-09-08 | 上海第二工业大学 | 一种基于关键点的数据序列线性拟合方法 |
WO2013010569A1 (en) * | 2011-07-15 | 2013-01-24 | European Space Agency | Method and apparatus for monitoring an operational state of a system on the basis of telemetry data |
WO2013029646A1 (en) * | 2011-08-26 | 2013-03-07 | European Space Agency | Method, device and system for compressing time series data |
CN102867052A (zh) * | 2012-09-13 | 2013-01-09 | 河海大学 | 一种基于特征点符号聚集近似的时间序列异常挖掘方法 |
CN104820779A (zh) * | 2015-04-28 | 2015-08-05 | 电子科技大学 | 一种基于极值点和转折点的时间序列降维方法 |
CN104899327A (zh) * | 2015-06-24 | 2015-09-09 | 哈尔滨工业大学 | 一种无类别标签的时间序列异常检测方法 |
CN106053978A (zh) * | 2016-05-23 | 2016-10-26 | 航天东方红卫星有限公司 | 一种基于窗口的卫星非周期性遥测模拟量判读方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106778839A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709509B (zh) | 一种基于时间序列特殊点的卫星遥测数据聚类方法 | |
CN109522011B (zh) | 一种基于编程现场上下文深度感知的代码行推荐方法 | |
JP2005513539A5 (zh) | ||
JP2010154486A5 (zh) | ||
RU2013124363A (ru) | Кодирующее и декодирующее устройство для низкоскоростных сигналов | |
CN105427264A (zh) | 一种基于群稀疏系数估计的图像重构方法 | |
CN109598334B (zh) | 一种样本生成方法及装置 | |
CN107610192B (zh) | 基于深度学习的自适应观测压缩感知图像重构方法 | |
CN111507155A (zh) | 联合U-Net++和UDA的微地震有效信号初至拾取方法及装置 | |
CN109376964B (zh) | 一种基于记忆神经网络的刑事案件罪名预测方法 | |
CN114491525B (zh) | 基于深度强化学习的安卓恶意软件检测特征提取方法 | |
CN104320144B (zh) | 稀疏度自适应信号重构方法 | |
CN116091288A (zh) | 一种基于扩散模型的图像隐写方法 | |
CN114494711B (zh) | 一种图像特征的提取方法、装置、设备及存储介质 | |
CN106778839B (zh) | 基于局部极值优化提取的卫星遥测数据时间序列表示方法 | |
CN108415938A (zh) | 一种基于智能模式识别的数据自动标注的方法及系统 | |
CN109102818B (zh) | 一种基于信号频率概率密度函数分布的去噪音频采样算法 | |
CN109063006B (zh) | 一种Excel实现整车软件配置编码计算及解析的方法 | |
CN117156014B (zh) | 一种工程造价数据优化存储方法及系统 | |
CN113537586A (zh) | 集成小波分解与深度神经网络的水质指标多步预测方法 | |
DE112021003550T5 (de) | Downsampling genomischer sequenzdaten | |
WO2024093207A1 (zh) | 一种时序数据处理方法、装置、设备及非易失性可读存储介质 | |
CN108288074A (zh) | 一种数据特征的选择方法及系统 | |
CN104484409A (zh) | 用于大数据处理的数据挖掘方法 | |
CN103853933A (zh) | 面向Android数字取证的用户行为分析方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |