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

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

基于结构化神经网络的成像任务可调度性预测方法

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<J_T,J_p,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J_T为新任务 样本集J_p的决策变量X＝{x₁,…,x_j}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：{S_i＝<J_i,O_i,C>|i＝0,...,n}，其中，J_i为分配到卫星i的 任务集，SubJ_i表示任务集J_i的子集，SubJ_i中每个任务对卫星i具有的成像机 会集合为W_i，C为卫星使用约束集合；

任务job_i＝<p_i,d_i,wo_i,w_fi>，p_i∈[1,8]为其优先级，越大表示越重要；d_i表 示job_i的成像持续时间，任务job_i须在给定时间[w_oi,w_fi]范围内安排观测；

假设o_sj和o_ej分别表示成像机会j的开始时间与结束时间，则job_i所有成像 机会表示为O_i＝{<o_s1,o_e1,sl₁>,...,<o_sj,o_ej,sl_j>,...,<o_sm,o_em,sl_m>}，其中sl_j表示job_i在成像机会j中对应的侧摆角度，范围在0-180度；

假设job_i的特征向量定义为{f₁,f₂,f₃,f₄,f₅}，其中

f₁:Duration_i＝d_i，

f₂:Priority_i＝p_i∈[1,8]，

f₄:

f₅:Conflict_i，表示job_i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Scheduled_i＝{-1,1}，任务job_i经过调度若进入成像方案中，则 Scheduled_i＝1，表明调度成功；否则Scheduled_i＝-1。

进一步地，Conflict_i的计算过程为：首先输入 O_i＝{<o_s1,o_e1,sl₁>,...,<o_sj,o_ej,sl_j>,...,<o_sm,o_em,sl_m>},i＝1,2,,n，卫星侧摆平均速度v， Conflict_i＝0；然后每一个属于SubJ_i中所有任务成像机会集合的任务k成像机 会ow_k＝<o_sk,o_ek,sl_k>和每一个不属于SubJ_i中所有任务成像机会集合的任务i 成像机会ow_i＝<o_si,o_ei,sl_i>一一比对；如果ow_k＝<o_sk,o_ek,sl_k>和 ow_i＝<o_si,o_ei,sl_i>部分重叠，则Conflict_i加一；如果ow_k＝<o_sk,o_ek,sl_k>中对应的 侧摆角度sl_k和ow_i＝<o_si,o_ei,sl_i>中对应的侧摆角度sl_i的角度差的绝对值和卫 星侧摆平均速度v的积加上ow_k＝<o_sk,o_ek,sl_k>的结束时间o_ek大于 ow_i＝<o_si,o_ei,sl_i>的开始时间，则Conflict_i加一；如果ow_i＝<o_si,o_ei,sl_i>中对应 的侧摆角度sl_i和ow_k＝<o_sk,o_ek,sl_k>中对应的侧摆角度sl_k的角度差的绝对值和 卫星侧摆平均速度v的积加上ow_i＝<o_si,o_ei,sl_i>的结束时间o_ei大于 ow_k＝<o_sk,o_ek,sl_k>的开始时间，则Conflict_i加一；最后得出最终的Conflict_i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：{S_i＝<J_i,O_i,C>|i＝0,...,n}，其中，J_i为分配到卫星i的 任务集，SubJ_i表示任务集J_i的子集，SubJ_i中每个任务对卫星i具有的成像机 会集合为W_i，C为卫星使用约束集合；

任务job_i＝<p_i,d_i,wo_i,w_fi>，p_i∈[1,8]为其优先级，越大表示越重要；d_i表 示job_i的成像持续时间，任务job_i须在给定时间[w_oi,w_fi]范围内安排观测；

假设o_sj和o_ej分别表示成像机会j的开始时间与结束时间，则job_i所有成像 机会表示为O_i＝{<o_s1,o_e1,sl₁>,...,<o_sj,o_ej,sl_j>,...,<o_sm,o_em,sl_m>}，其中sl_j表示job_i在成像机会j中对应的侧摆角度；

假设job_i的特征向量定义为{f₁,f₂,f₃,f₄,f₅}，其中

f₁:Duration_i＝d_i，

f₂:Priority_i＝p_i∈[1,8]，

f₄:

f₅:Conflict_i，表示job_i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，Conflict_i的计算过程为：首先输入 O_i＝{<o_s1,o_e1,sl₁>,...,<o_sj,o_ej,sl_j>,...,<o_sm,o_em,sl_m>},i＝1,2,,n，卫星侧摆平均速度v， Conflict_i＝0；然后每一个属于SubJ_i中所有任务成像机会集合的任务k成像机 会ow_k＝<o_sk,o_ek,sl_k>和每一个不属于SubJ_i中所有任务成像机会集合的任务i 成像机会ow_i＝<o_si,o_ei,sl_i>一一比对；如果ow_k＝<o_sk,o_ek,sl_k>和 ow_i＝<o_si,o_ei,sl_i>部分重叠，则Conflict_i加一；如果ow_k＝<o_sk,o_ek,sl_k>中对应的 侧摆角度sl_k和ow_i＝<o_si,o_ei,sl_i>中对应的侧摆角度sl_i的角度差的绝对值和卫 星侧摆平均速度v的积加上ow_k＝<o_sk,o_ek,sl_k>的结束时间o_ek大于 ow_i＝<o_si,o_ei,sl_i>的开始时间，则Conflict_i加一；如果ow_i＝<o_si,o_ei,sl_i>中对应 的侧摆角度sl_i和ow_k＝<o_sk,o_ek,sl_k>中对应的侧摆角度sl_k的角度差的绝对值和 卫星侧摆平均速度v的积加上ow_i＝<o_si,o_ei,sl_i>的结束时间o_ei大于 ow_k＝<o_sk,o_ek,sl_k>的开始时间，则Conflict_i加一；最后得出最终的Conflict_i值。

输出层神经节点为特征值Scheduled_i＝{-1,1}，任务job_i经过调度若进入成 像方案中，则Scheduled_i＝1，表明调度成功；否则Scheduled_i＝-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：{S_i＝<J_i,O_i,C>|i＝0,...,n}，其中，J_i为分配到卫星i的任务集，SubJ_i表示任务集J_i的子集，SubJ_i中每个任务对卫星i具有的成像机会集合为W_i，C为卫星使用约束集合；

任务job_i＝<pi,d_i,w_oi,wf_i>，p_i∈[1,8]为其优先级，越大表示越重要；d_i表示job_i的成像持续时间，任务job_i须在给定时间[w_oi,w_fi]范围内安排观测；

假设o_sj和o_ej分别表示成像机会j的开始时间与结束时间，则job_i所有成像机会表示为O_i＝{<o_s1,o_e1,sl₁>,...,<o_sj,o_ej,sl_j>,...,<o_sm,o_em,sl_m>}，其中sl_j表示job_i在成像机会j中对应的侧摆角度；

假设job_i的特征向量定义为{f₁,f₂,f₃,f₄,f₅}，其中

f₁:Duration_i＝d_i，

f₂:Priority_i＝p_i∈[1,8]，

f₃:

f₄:

f₅:Conflict_i，表示job_i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Scheduled_i＝{-1,1}，任务job_i经过调度若进入成像方案中，则Scheduled_i＝1，表明调度成功；否则Scheduled_i＝-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Conflict_i的计算过程为：首先输入O_i＝{<o_s1,o_e1,sl₁>,...,<o_sj,o_ej,sl_j>,...,<o_sm,o_em,sl_m>},i＝1,2,,n，卫星侧摆平均速度v，Conflict_i＝0；然后每一个属于SubJ_i中所有任务成像机会集合的任务k成像机会ow_k＝<o_sk,o_ek,sl_k>和每一个不属于SubJ_i中所有任务成像机会集合的任务i成像机会ow_i＝<o_si,o_ei,sl_i>一一比对；如果ow_k＝<o_sk,o_ek,sl_k>和ow_i＝<o_si,o_ei,sl_i>部分重叠，则Conflict_i加一；如果ow_k＝<o_sk,o_ek,sl_k>中对应的侧摆角度sl_k和ow_i＝<o_si,o_ei,sl_i>中对应的侧摆角度sl_i的角度差的绝对值和卫星侧摆平均速度v的积加上ow_k＝<o_sk,o_ek,sl_k>的结束时间o_ek大于ow_i＝<o_si,o_ei,sl_i>的开始时间，则Conflict_i加一；如果ow_i＝<o_si,o_ei,sl_i>中对应的侧摆角度sl_i和ow_k＝<o_sk,o_ek,sl_k>中对应的侧摆角度sl_k的角度差的绝对值和卫星侧摆平均速度v的积加上ow_i＝<o_si,o_ei,sl_i>的结束时间o_ei大于 ow_k＝<o_sk,o_ek,sl_k>的开始时间，则Conflict_i加一；最后得出最终的Conflict_i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。