CN108717572A - 基于结构化神经网络的成像任务可调度性预测方法 - Google Patents
基于结构化神经网络的成像任务可调度性预测方法 Download PDFInfo
- Publication number
- CN108717572A CN108717572A CN201711430632.1A CN201711430632A CN108717572A CN 108717572 A CN108717572 A CN 108717572A CN 201711430632 A CN201711430632 A CN 201711430632A CN 108717572 A CN108717572 A CN 108717572A
- Authority
- CN
- China
- Prior art keywords
- task
- imaging
- prediction
- schedulability
- neural networks
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及基于结构化神经网络的成像任务可调度性预测方法,通过对任务规划结果样本集特征值的构造与提取,构建结构化神经网络模型,使其在学习过程中建立任务特征值和卫星能力之间的非线性映射关系,从而完成对成像任务的可调度性预测。本发明具有参数解释能力强、能有效解决传统前馈神经网络模型存在的诸如模型非结构化、收敛速度慢、神经元个数很难确定及局部最小等各种缺陷、预测精度高等优点。
Description
技术领域
本发明涉及神经网络预测的技术领域,尤其涉及到基于结构化神经网络 的成像任务可调度性预测方法。
背景技术
遥感卫星是(remote sensing satellite)用作外层空间遥感平台的人 造卫星。用卫星作为平台的遥感技术称为卫星遥感。通常,遥感卫星可在轨 道上运行数年。卫星轨道可根据需要来确定。遥感卫星能在规定的时间内覆 盖整个地球或指定的任何区域,当沿地球同步轨道运行时,它能连续地对地 球表面某指定地域进行遥感。所有的遥感卫星都需要有遥感卫星地面站,卫 星获得的图像数据通过无线电波传输到地面站,地面站发出指令以控制卫星 运行和工作。遥感卫星主要有气象卫星、“陆地卫星”和“海洋卫星”三种类 型。
不同遥感卫星的工作模式和使用约束十分复杂,一般具有相对独立的任 务规划系统;随着遥感卫星和成像任务数目的不断增加,如何基于不同遥感 卫星任务规划系统运行累积的大量历史数据,采用人工智能和运筹学等领域 的先进理论设计成像任务可调度性预测方法,具有非常重要的理论意义和实 践价值。
成像任务可调度性预测可表示为六元组<JT,Jp,S,C,X,G>,即针对资源 集合S、约束集合C和优化目标G,基于已调度任务样本集数据JT为新任务 样本集Jp的决策变量X={x1,…,xj}进行赋值。该问题的求解难点主要体现在 以下四个方面。
(1)任务规划问题的复杂性。智能卫星任务规划在任务、资源、约束 和优化目标等四个方面都有一定的特殊性,常见的资源调度模型与优化方法 很难解决。
(2)调度算法的复杂性与不确定性。调度算法的随机性使得调度结果 也具有不确定性,同时也增加了可调度性预测的难度。
(3)任务样本选择的复杂性。不同卫星在轨运行过程中会积累大量的 历史任务数据,如何选择典型代表性样本来提高预测算法的执行效率具备一 定难度。
(4)样本特征提取的复杂性。成像任务一般具备静态与动态两方面的 属性特征:静态属性主要为任务独立具备的不随所在任务集合改变而变化的 相关属性,如成像任务的数据类型、分辨率、优先级、需求观测时长、气象 条件和成像模式等;动态属性随着任务所在集合的变化而变化,如描述任务 之间资源竞争情况、观测机会冲突情况等。如何在各类属性中选择对于预测 过程具有决定性影响的特征同样是十分复杂的。
综上,目前需要一种新的成像任务可调度性预测方法,以克服上述缺点, 满足需求。
发明内容
本发明的目的在于克服现有技术的不足,提供一种参数解释能力强、能 有效解决传统前馈神经网络模型存在的诸如模型非结构化、收敛速度慢、神 经元个数很难确定及局部最小等各种缺陷、预测精度高的基于结构化神经网 络的成像任务可调度性预测方法。
为实现上述目的,本发明所提供的技术方案为:通过对任务规划结果样 本集特征值的构造与提取,构建结构化神经网络模型,使其在学习过程中建 立任务特征值和卫星能力之间的非线性映射关系,从而完成对成像任务的可 调度性预测;
具体步骤如下:
S1、对调度场景和成像任务的定义:
调度场景:{Si=<Ji,Oi,C>|i=0,...,n},其中,Ji为分配到卫星i的 任务集,SubJi表示任务集Ji的子集,SubJi中每个任务对卫星i具有的成像机 会集合为Wi,C为卫星使用约束集合;
任务jobi=<pi,di,woi,wfi>,pi∈[1,8]为其优先级,越大表示越重要;di表 示jobi的成像持续时间,任务jobi须在给定时间[woi,wfi]范围内安排观测;
假设osj和oej分别表示成像机会j的开始时间与结束时间,则jobi所有成像 机会表示为Oi={<os1,oe1,sl1>,...,<osj,oej,slj>,...,<osm,oem,slm>},其中slj表示jobi在成像机会j中对应的侧摆角度,范围在0-180度;
假设jobi的特征向量定义为{f1,f2,f3,f4,f5},其中
f1:Durationi=di,
f2:Priorityi=pi∈[1,8],
f4:
f5:Conflicti,表示jobi与其他任务观测机会的冲突情况;
S2、构建结构化神经网络模型;
S3、确定输入层神经节点和输出层神经节点;
S4、经过多组数据训练学习后进行成像任务的可调度性预测。
进一步地,步骤S2中所述结构化神经网络模型由多个隐含层节点不同的 BP神经网络集成,每个BP神经网络各节点之间所有的连接关系均基于现实 实际系统的因果关系而构建。
进一步地,输入层神经节点对应{f1,f2,f3,f4,f5}五个特征值;输出层神经 节点为特征值Scheduledi={-1,1},任务jobi经过调度若进入成像方案中,则 Scheduledi=1,表明调度成功;否则Scheduledi=-1。
进一步地,Conflicti的计算过程为:首先输入 Oi={<os1,oe1,sl1>,...,<osj,oej,slj>,...,<osm,oem,slm>},i=1,2,,n,卫星侧摆平均速度v, Conflicti=0;然后每一个属于SubJi中所有任务成像机会集合的任务k成像机 会owk=<osk,oek,slk>和每一个不属于SubJi中所有任务成像机会集合的任务i 成像机会owi=<osi,oei,sli>一一比对;如果owk=<osk,oek,slk>和 owi=<osi,oei,sli>部分重叠,则Conflicti加一;如果owk=<osk,oek,slk>中对应的 侧摆角度slk和owi=<osi,oei,sli>中对应的侧摆角度sli的角度差的绝对值和卫 星侧摆平均速度v的积加上owk=<osk,oek,slk>的结束时间oek大于 owi=<osi,oei,sli>的开始时间,则Conflicti加一;如果owi=<osi,oei,sli>中对应 的侧摆角度sli和owk=<osk,oek,slk>中对应的侧摆角度slk的角度差的绝对值和 卫星侧摆平均速度v的积加上owi=<osi,oei,sli>的结束时间oei大于 owk=<osk,oek,slk>的开始时间,则Conflicti加一;最后得出最终的Conflicti值。
步骤S4中成像任务可调度性预测的具体步骤如下:
S4-1、将多个相同的待预测数据分别经过多个隐含层节点不同的BP神经 网络进行预测;
S4-2、对得到不同隐含层节点对应的预测成功率从高至低进行排序;
S4-3、创建多个且数量为单数的BP神经网络集成,该多个BP神经网络 集成分别由预测成功率排前列的的BP神经网络组成;
S4-4、依据步骤S4-3得到的多个BP神经网络集成输出的结果采用多数 投票法进行投票,从而产生成像任务可调度性预测结果。
本方案原理如下:
通过对任务规划结果样本集特征值的构造与提取,采用一种用于成像任 务可调度性预测的结构化神经网络模型,结构化神经网络模型在学习过程中 能够建立任务特征值和卫星能力之间的非线性映射关系,从而完成对成像任 务的可调度性预测。
与现有技术相比,优点如下:
1.基于多个BP网络构建结构化神经网络模型,具有很好的模型参数解释 能力。
2.当实际调度结果在线反馈时,可对可调度性预测模型进行更新,任务 可调度性模型的使用使得分布式双层规划问题更易于求解。
3.能有效解决传统前馈神经网络模型存在的诸如模型非结构化、收敛速 度慢、神经元个数很难确定及局部最小等各种缺陷。
4.输入层神经节点对应{f1,f2,f3,f4,f5}五个特征值,特别f2优先权和f5冲 突情况两个特征值的引入,大大提高了BP神经网络预测精度。
附图说明
图1为本发明基于结构化神经网络的成像任务可调度性预测方法的流程 图;
图2为本发明中基于BP神经网络不同属性输入随隐含层节点变化的预测 效果图;
图3为本发明中各BP神经网络对于不同数据集预测效果图;
图4为本发明中2000组试验数据的对应优先级分布以及经过调度方法后 调度成功率随优先级变化图;
图5为本发明中基于2000组试验数据的任务优先级与BP神经网络预测输 出成功率的趋势关系图;
图6为本发明中2000组任务数据的对应任务冲突度分布以及经过调度方 法后调度成功率随任务冲突度变化图;
图7为本发明中基于2000组试验数据的任务冲突度与BP神经网络预测输 出成功率的趋势关系图。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
参见附图1所示,本实施例所述的基于结构化神经网络的成像任务可调 度性预测方法,包括以下步骤:
S1、对调度场景和成像任务的定义:
调度场景:{Si=<Ji,Oi,C>|i=0,...,n},其中,Ji为分配到卫星i的 任务集,SubJi表示任务集Ji的子集,SubJi中每个任务对卫星i具有的成像机 会集合为Wi,C为卫星使用约束集合;
任务jobi=<pi,di,woi,wfi>,pi∈[1,8]为其优先级,越大表示越重要;di表 示jobi的成像持续时间,任务jobi须在给定时间[woi,wfi]范围内安排观测;
假设osj和oej分别表示成像机会j的开始时间与结束时间,则jobi所有成像 机会表示为Oi={<os1,oe1,sl1>,...,<osj,oej,slj>,...,<osm,oem,slm>},其中slj表示jobi在成像机会j中对应的侧摆角度;
假设jobi的特征向量定义为{f1,f2,f3,f4,f5},其中
f1:Durationi=di,
f2:Priorityi=pi∈[1,8],
f4:
f5:Conflicti,表示jobi与其他任务观测机会的冲突情况;
S2、构建结构化神经网络模型:
该结构化神经网络模型由多个隐含层节点不同的BP神经网络集成,每个 BP神经网络各节点之间所有的连接关系均基于现实实际系统的因果关系而 构建。
S3、确定输入层神经节点和输出层神经节点:
输入层神经节点对应{f1,f2,f3,f4,f5}五个特征值;
其中,Conflicti的计算过程为:首先输入 Oi={<os1,oe1,sl1>,...,<osj,oej,slj>,...,<osm,oem,slm>},i=1,2,,n,卫星侧摆平均速度v, Conflicti=0;然后每一个属于SubJi中所有任务成像机会集合的任务k成像机 会owk=<osk,oek,slk>和每一个不属于SubJi中所有任务成像机会集合的任务i 成像机会owi=<osi,oei,sli>一一比对;如果owk=<osk,oek,slk>和 owi=<osi,oei,sli>部分重叠,则Conflicti加一;如果owk=<osk,oek,slk>中对应的 侧摆角度slk和owi=<osi,oei,sli>中对应的侧摆角度sli的角度差的绝对值和卫 星侧摆平均速度v的积加上owk=<osk,oek,slk>的结束时间oek大于 owi=<osi,oei,sli>的开始时间,则Conflicti加一;如果owi=<osi,oei,sli>中对应 的侧摆角度sli和owk=<osk,oek,slk>中对应的侧摆角度slk的角度差的绝对值和 卫星侧摆平均速度v的积加上owi=<osi,oei,sli>的结束时间oei大于 owk=<osk,oek,slk>的开始时间,则Conflicti加一;最后得出最终的Conflicti值。
输出层神经节点为特征值Scheduledi={-1,1},任务jobi经过调度若进入成 像方案中,则Scheduledi=1,表明调度成功;否则Scheduledi=-1。
S4、经过多组数据训练学习后进行成像任务的可调度性预测;其中进行 成像任务的可调度性预测具体步骤如下:
S4-1、将多个相同的待预测数据分别经过多个隐含层节点不同的BP神经 网络进行预测;
S4-2、对得到不同隐含层节点对应的预测成功率从高至低进行排序;
S4-3、创建多个且数量为单数的BP神经网络集成,该多个BP神经网络 集成分别由预测成功率排前列的的BP神经网络组成;
S4-4、依据步骤S4-3得到的多个BP神经网络集成输出的结果采用多数 投票法进行投票,从而产生成像任务可调度性预测结果。
上述中,前后两BP神经网络采用同一的1900组数据进行训练,100组 数据进行预测测试,隐含层节点数统一由1-49之间取值。每个节点数目下进 行10次学习,预测成功率取平均值。如图2所示,特征值Conflict的加入有 效提升了BP神经网络的预测成功率,随着隐含层节点数目的增加,提升效果 愈趋于稳定,平均提升2.5个百分点。
前后两BP神经网络分别采用图2取得最好效果的隐含层节点数进行学 习。2000组数据平均分成20份,将每份100组作为测试数据,其余1900组 作为训练数据。每组数据进行10次学习,预测成功率取平均值。如图3所示, 五属性输入的BP神经网络在不同数据集上均发挥了更好的预测效果。
另外,如图4所示,基于2000组任务数据,优先级为8的任务全部调度 成功,而优先级为1的调度成功率最低。然而优先级位于中间的任务调度成 功率并不随优先级的增加而严格增加。
如图5所示,任务优先级为8的任务可调度性预测成功率为1,优先级 为1对应成功率也大于0.95,最低与最高优先级成为任务可调度性预测过程 中的良好鉴别器,而其他优先级未有良好分类效果,结合图4分析可见输入 特征值Priority与输出特征值Scheduled预测输出紧密联系。
如图6所示,调度成功率的总体趋势随冲突度的增加而降低,当冲突度 大于14时,无任务调度成功;
如图7所示,当冲突度大于12时,预测成功率大于95%。
基于隐含层节点数变化的多BP神经网络集成预测效果:
采用图2中采用的基础数据以及隐含层节点变化范围,由2—50之间变 化,各BP神经网络的预测成功率排序如表1所示:
表1
分别采用上述若干不同BP神经网络进行集成,得到预测效果如表2所示:
表2
从表2得出,基于多BP神经网络集成构建的任务可调度性预测组件性能 比单一BP神经网络稳定提升,最高预测成功率可达91%。
与现有技术相比,本实施例具有以下优点:
1.基于多个BP网络构建结构化神经网络模型,具有很好的模型参数解释 能力。
2.当实际调度结果在线反馈时,可对可调度性预测模型进行更新,任务 可调度性模型的使用使得分布式双层规划问题更易于求解。
3.能有效解决传统前馈神经网络模型存在的诸如模型非结构化、收敛速 度慢、神经元个数很难确定及局部最小等各种缺陷。
4.输入层神经节点对应{f1,f2,f3,f4,f5}五个特征值,特别f2优先权和f5冲 突情况两个特征值的引入,大大提高了BP神经网络预测精度。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的 实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保 护范围内。
Claims (5)
1.基于结构化神经网络的成像任务可调度性预测方法,其特征在于:通过对任务规划结果样本集特征值的构造与提取,构建结构化神经网络模型,使其在学习过程中建立任务特征值和卫星能力之间的非线性映射关系,从而完成对成像任务的可调度性预测;
具体步骤如下:
S1、对调度场景和成像任务的定义:
调度场景:{Si=<Ji,Oi,C>|i=0,...,n},其中,Ji为分配到卫星i的任务集,SubJi表示任务集Ji的子集,SubJi中每个任务对卫星i具有的成像机会集合为Wi,C为卫星使用约束集合;
任务jobi=<pi,di,woi,wfi>,pi∈[1,8]为其优先级,越大表示越重要;di表示jobi的成像持续时间,任务jobi须在给定时间[woi,wfi]范围内安排观测;
假设osj和oej分别表示成像机会j的开始时间与结束时间,则jobi所有成像机会表示为Oi={<os1,oe1,sl1>,...,<osj,oej,slj>,...,<osm,oem,slm>},其中slj表示jobi在成像机会j中对应的侧摆角度;
假设jobi的特征向量定义为{f1,f2,f3,f4,f5},其中
f1:Durationi=di,
f2:Priorityi=pi∈[1,8],
f3:
f4:
f5:Conflicti,表示jobi与其他任务观测机会的冲突情况;
S2、构建结构化神经网络模型;
S3、确定输入层神经节点和输出层神经节点;
S4、经过多组数据训练学习后进行成像任务的可调度性预测。
2.根据权利要求1所述的基于结构化神经网络的成像任务可调度性预测方法,其特征在于:步骤S2中所述结构化神经网络模型由多个隐含层节点不同的BP神经网络集成,每个BP神经网络各节点之间所有的连接关系均基于现实实际系统的因果关系而构建。
3.根据权利要求1所述的基于结构化神经网络的成像任务可调度性预测方法,其特征在于:所述输入层神经节点对应{f1,f2,f3,f4,f5}五个特征值;输出层神经节点为特征值Scheduledi={-1,1},任务jobi经过调度若进入成像方案中,则Scheduledi=1,表明调度成功;否则Scheduledi=-1。
4.根据权利要求1所述的基于结构化神经网络的成像任务可调度性预测方法,其特征在于:所述Conflicti的计算过程为:首先输入Oi={<os1,oe1,sl1>,...,<osj,oej,slj>,...,<osm,oem,slm>},i=1,2,,n,卫星侧摆平均速度v,Conflicti=0;然后每一个属于SubJi中所有任务成像机会集合的任务k成像机会owk=<osk,oek,slk>和每一个不属于SubJi中所有任务成像机会集合的任务i成像机会owi=<osi,oei,sli>一一比对;如果owk=<osk,oek,slk>和owi=<osi,oei,sli>部分重叠,则Conflicti加一;如果owk=<osk,oek,slk>中对应的侧摆角度slk和owi=<osi,oei,sli>中对应的侧摆角度sli的角度差的绝对值和卫星侧摆平均速度v的积加上owk=<osk,oek,slk>的结束时间oek大于owi=<osi,oei,sli>的开始时间,则Conflicti加一;如果owi=<osi,oei,sli>中对应的侧摆角度sli和owk=<osk,oek,slk>中对应的侧摆角度slk的角度差的绝对值和卫星侧摆平均速度v的积加上owi=<osi,oei,sli>的结束时间oei大于 owk=<osk,oek,slk>的开始时间,则Conflicti加一;最后得出最终的Conflicti值。
5.根据权利要求1所述的基于结构化神经网络的成像任务可调度性预测方法,其特征在于:所述步骤S4中成像任务可调度性预测的具体步骤如下:
S4-1、将多个相同的待预测数据分别经过多个隐含层节点不同的BP神经网络进行预测;
S4-2、对得到不同隐含层节点对应的预测成功率从高至低进行排序;
S4-3、创建多个且数量为单数的BP神经网络集成,该多个BP神经网络集成分别由预测成功率排前列的的BP神经网络组成;
S4-4、依据步骤S4-3得到的多个BP神经网络集成输出的结果采用多数投票法进行投票,从而产生成像任务可调度性预测结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2018/080419 WO2019127945A1 (zh) | 2017-12-26 | 2018-04-24 | 基于结构化神经网络的成像任务可调度性预测方法 |
CN201711430632.1A CN108717572B (zh) | 2018-05-31 | 2018-05-31 | 基于结构化神经网络的成像任务可调度性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711430632.1A CN108717572B (zh) | 2018-05-31 | 2018-05-31 | 基于结构化神经网络的成像任务可调度性预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717572A true CN108717572A (zh) | 2018-10-30 |
CN108717572B CN108717572B (zh) | 2021-10-19 |
Family
ID=63898661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711430632.1A Expired - Fee Related CN108717572B (zh) | 2017-12-26 | 2018-05-31 | 基于结构化神经网络的成像任务可调度性预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108717572B (zh) |
WO (1) | WO2019127945A1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739638A (zh) * | 2018-12-06 | 2019-05-10 | 北京航空航天大学 | 一种基于深度学习的edf可调度性判定方法及装置 |
CN109767128A (zh) * | 2019-01-15 | 2019-05-17 | 中国人民解放军国防科技大学 | 基于机器学习的成像卫星自主任务规划方法 |
CN109766181A (zh) * | 2018-12-06 | 2019-05-17 | 北京航空航天大学 | 一种基于深度学习的rms可调度性判定方法及装置 |
CN112561351A (zh) * | 2020-12-21 | 2021-03-26 | 中国人民解放军32039部队 | 用于评估卫星系统中的任务申请的方法及装置 |
CN112860534A (zh) * | 2021-03-17 | 2021-05-28 | 上海壁仞智能科技有限公司 | 硬件架构性能评估和性能优化方法及装置 |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110727903B (zh) * | 2019-10-10 | 2023-03-28 | 合肥工业大学 | 一种有限覆盖资源实现最大观测面积的卫星任务规划方法 |
CN112734107B (zh) * | 2021-01-08 | 2024-05-10 | 浙江大学 | 基于误差逆传播的产品协同设计任务数据分解分配方法 |
CN113313356B (zh) * | 2021-04-30 | 2022-09-23 | 合肥工业大学 | 遥感卫星对地观测应急任务合成方法与装置 |
CN113419830B (zh) * | 2021-06-23 | 2023-02-03 | 鹤壁国立光电科技股份有限公司 | 一种基于神经网络的多维度调度方法及系统 |
CN113642834B (zh) * | 2021-06-29 | 2023-08-29 | 合肥工业大学 | 基于任务属性优先级映射的任务重要性评价方法和系统 |
CN113962525A (zh) * | 2021-09-23 | 2022-01-21 | 北京市遥感信息研究所 | 一种基于可配置准则的遥感卫星任务决策方法 |
CN115081884B (zh) * | 2022-06-23 | 2023-05-02 | 哈尔滨工业大学 | 一种分布式星上在线多对多任务规划方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2490540A1 (en) * | 2004-12-21 | 2006-06-21 | Mobil Grain Ltd. | Computer-based dispatching system and method |
CN104063749A (zh) * | 2014-06-28 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种基于滚动时域控制的成像卫星自主任务规划算法 |
CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
CN105068549A (zh) * | 2015-08-18 | 2015-11-18 | 航天东方红卫星有限公司 | 一种卫星任务自主连续规划方法 |
CN105095643A (zh) * | 2015-06-15 | 2015-11-25 | 中国人民解放军国防科学技术大学 | 面向动态环境的成像卫星自主任务规划方法 |
US20160162779A1 (en) * | 2014-12-05 | 2016-06-09 | RealMatch, Inc. | Device, system and method for generating a predictive model by machine learning |
CN106708069A (zh) * | 2017-01-19 | 2017-05-24 | 中国科学院自动化研究所 | 水下移动作业机器人的协调规划与控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103489009B (zh) * | 2013-09-17 | 2016-08-17 | 北方信息控制集团有限公司 | 基于自适应修正神经网络的模式识别方法 |
CN106779064A (zh) * | 2016-11-25 | 2017-05-31 | 电子科技大学 | 基于数据特征的深度神经网络自训练方法 |
-
2018
- 2018-04-24 WO PCT/CN2018/080419 patent/WO2019127945A1/zh active Application Filing
- 2018-05-31 CN CN201711430632.1A patent/CN108717572B/zh not_active Expired - Fee Related
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2490540A1 (en) * | 2004-12-21 | 2006-06-21 | Mobil Grain Ltd. | Computer-based dispatching system and method |
CN104063749A (zh) * | 2014-06-28 | 2014-09-24 | 中国人民解放军国防科学技术大学 | 一种基于滚动时域控制的成像卫星自主任务规划算法 |
CN104268627A (zh) * | 2014-09-10 | 2015-01-07 | 天津大学 | 一种基于深度神经网络迁移模型的短期风速预报方法 |
US20160162779A1 (en) * | 2014-12-05 | 2016-06-09 | RealMatch, Inc. | Device, system and method for generating a predictive model by machine learning |
CN105095643A (zh) * | 2015-06-15 | 2015-11-25 | 中国人民解放军国防科学技术大学 | 面向动态环境的成像卫星自主任务规划方法 |
CN105068549A (zh) * | 2015-08-18 | 2015-11-18 | 航天东方红卫星有限公司 | 一种卫星任务自主连续规划方法 |
CN106708069A (zh) * | 2017-01-19 | 2017-05-24 | 中国科学院自动化研究所 | 水下移动作业机器人的协调规划与控制方法 |
Non-Patent Citations (1)
Title |
---|
邢立宁 等: "基于BP神经网络的星上任务可调度性预测方法", 《中国管理科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109739638A (zh) * | 2018-12-06 | 2019-05-10 | 北京航空航天大学 | 一种基于深度学习的edf可调度性判定方法及装置 |
CN109766181A (zh) * | 2018-12-06 | 2019-05-17 | 北京航空航天大学 | 一种基于深度学习的rms可调度性判定方法及装置 |
CN109767128A (zh) * | 2019-01-15 | 2019-05-17 | 中国人民解放军国防科技大学 | 基于机器学习的成像卫星自主任务规划方法 |
CN112561351A (zh) * | 2020-12-21 | 2021-03-26 | 中国人民解放军32039部队 | 用于评估卫星系统中的任务申请的方法及装置 |
CN112860534A (zh) * | 2021-03-17 | 2021-05-28 | 上海壁仞智能科技有限公司 | 硬件架构性能评估和性能优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2019127945A1 (zh) | 2019-07-04 |
CN108717572B (zh) | 2021-10-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717572A (zh) | 基于结构化神经网络的成像任务可调度性预测方法 | |
CN108335012A (zh) | 一种智能遥感卫星层次化分布式自主协同任务规划系统 | |
CN110427261A (zh) | 一种基于深度蒙特卡洛树搜索的边缘计算任务分配方法 | |
CN103744733B (zh) | 成像卫星资源调用配置方法 | |
CN111367657B (zh) | 一种基于深度强化学习的计算资源协同合作方法 | |
CN109829636A (zh) | 基于动态优先级的应急任务调度规划方法 | |
Yao et al. | Task allocation strategies for cooperative task planning of multi-autonomous satellite constellation | |
CN108256671A (zh) | 一种基于学习型遗传算法的多任务多资源滚动分配方法 | |
CN101719933B (zh) | 一种支持语义的面向全生命周期的制造网格资源服务组合方法 | |
CN109933842A (zh) | 一种基于约束满足遗传算法的移动目标单星任务规划方法 | |
He et al. | Scheduling multiple agile earth observation satellites with an edge computing framework and a constructive heuristic algorithm | |
Song et al. | A framework involving MEC: imaging satellites mission planning | |
CN109523025A (zh) | 针对地面区域目标的多星连续观测规划调度方法 | |
CN112580943B (zh) | 一种应用于无人机集群的任务分解与能力匹配方法 | |
CN112149958A (zh) | 一种天地基站网资源多维度效能评估指标的计算方法 | |
Yang et al. | Onboard coordination and scheduling of multiple autonomous satellites in an uncertain environment | |
Ou et al. | Deep reinforcement learning method for satellite range scheduling problem | |
CN114326827B (zh) | 一种无人机集群多任务动态分配方法及系统 | |
Zhao et al. | A hierarchical parallel evolutionary algorithm of distributed and multi-threaded two-level structure for multi-satellite task planning | |
CN116245243A (zh) | 一种格网驱动的卫星观测与数传任务解耦规划方法 | |
Qi et al. | A cooperative autonomous scheduling approach for multiple earth observation satellites with intensive missions | |
CN114035913A (zh) | 一种卫星多目标重复观测任务规划方法及终端 | |
CN116862167A (zh) | 基于多背包模型的低轨遥感卫星星座应急任务规划方法 | |
CN108988933B (zh) | 一种卫星数据接收窗口全局优化分配方法 | |
Xun et al. | Distributed tasks-platforms scheduling method to holonic-C2 organization |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211019 |