CN111738604A - 空间环境风险指标的构建方法、装置及存储介质 - Google Patents
空间环境风险指标的构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN111738604A CN111738604A CN202010586858.6A CN202010586858A CN111738604A CN 111738604 A CN111738604 A CN 111738604A CN 202010586858 A CN202010586858 A CN 202010586858A CN 111738604 A CN111738604 A CN 111738604A
- Authority
- CN
- China
- Prior art keywords
- space environment
- spacecraft
- environment
- orbit
- factors
- 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
- 238000010276 construction Methods 0.000 title description 10
- 238000012216 screening Methods 0.000 claims abstract description 68
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012512 characterization method Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims description 41
- 230000002159 abnormal effect Effects 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 31
- 238000003066 decision tree Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 21
- 230000005856 abnormality Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 abstract description 9
- 230000004907 flux Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N iron Substances [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000005441 aurora Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 210000003743 erythrocyte Anatomy 0.000 description 1
- 230000005358 geomagnetic field Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种空间环境风险指标的构建方法、装置及存储介质，通过上述装置实现构建方法，首先确定与航天器在轨异常相关的空间环境因素；其次筛选所确定的空间环境因素的影响区间；最后提取空间环境的风险表征指标及其阈值。通过上述方案获得的风险表征指标及其阈值可更为有效、准确地表征航天器所遭受的空间辐射环境风险，从而确保其能够满足航天器异常与空间环境关联性构建分析，以及航天器空间天气风险预报的需要。
Description
技术领域
本发明一般涉及航天器空间环境效应在轨分析及数据处理技术领域，尤其涉及一种空间环境风险指标的构建方法、装置及存储介质。
背景技术
航天器在轨会受到空间环境的影响，空间辐射环境会导致航天器产生静电放电、单粒子、总剂量等效应，影响航天器的在轨工作运行。为了对在轨航天器异常的影响进行识别及预警，就需要利用已有的航天器在轨异常数据结合航天器所处的空间环境开展数据分析。
目前的数据分析手段主要包括：通过时标直接对应航天器异常数据前后的空间环境，判别其是否发生异常，此方法较为常用但效果不理想；忽略时标的作用，仅对航天器异常的二元化表征和空间环境数据构建关联性，此方法相对具有普适性；对个别显著异常事件发生前后的空间环境波动进行详细分析，此方法具有一定的局限性；虽然目前有一定的数据分析方法，然而实际情况下空间环境的表征数据种类多而繁杂，若没有选取有效的空间环境因素，很可能无法分析获得准确的结果。
因此，为了确保航天器在轨异常与空间环境影响的分析和关联性构建，必须提出更为有效、准确、可表征航天器遭受空间辐射环境风险的环境指标获得方法，并给出目前能得到的典型环境异常风险相关的环境指标，以满足异常与空间环境关联性模型构建、在轨航天器异常数据分析以及空间天气风险预报等需求。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种空间环境风险指标的构建方法、装置及存储介质，以获取目前所得到的空间环境风险指标，从而确保其能够满足航天器在轨异常与空间环境关联性的构建分析，以及航天器空间天气风险预报的需要。
为实现上述目的，本发明采用了如下技术方案：
第一方面，本发明提供一种空间环境风险指标的构建方法，其特殊之处在于，包括：
确定与航天器在轨异常相关的空间环境因素；
筛选所确定的空间环境因素的影响区间；
提取空间环境的风险表征指标及其阈值。
在一个实施例中，确定与航天器在轨异常相关的空间环境因素的步骤包括：
按时标对航天器在轨异常及与其对应的大量空间环境因素分析，确保各个空间环境因素的独立性假设；
构建航天器在轨异常与空间环境因素的广义线性相关模型，筛选各相对独立的空间环境因素间起主导作用的空间环境因素。
在一个实施例中，按时标对航天器在轨异常及其对应的大量空间环境因素分析，确保各个空间环境因素的独立性假设包括：
获取航天器在轨异常数据以及对应时间范围内的空间环境数据；
生成包含航天器在轨异常数据和空间环境数据的时间序列；
在多种空间环境因素中选取若干组具有相对独立性的环境因子集合。
在一个实施例中，构建航天器在轨异常与空间环境因素的广义线性相关模型，筛选各相对独立的空间环境因素间起主导作用的空间环境因素包括：
在若干组具有相对独立性的环境因子集合中选取不同的代表性环境因子，分别构建广义线性分析模型；
对广义线性分析模型的效果进行评估，以获得各空间环境因素中对航天器在轨异常有贡献的环境因子及其p值；
筛选出多个p值小于0.01的环境因子并进行比对，确定一组p值显著的广义线性分析模型，其所涵盖的空间环境因素为起主导作用的空间环境因素。
在一个实施例中，筛选所述空间环境因素的影响区间的步骤包括：数据概率统计筛选影响区间和/或决策树分类筛选影响区间。
在一个实施例中，数据概率统计筛选影响区间包括：
将航天器在轨异常数据和起主导作用的空间环境数据组成时间序列；
基于所述时间序列对所述空间环境因素在各个区间的概率分布，及其引起航天器在轨异常的概率进行统计；
对比在各空间环境因素不同区间内的，航天器发生在轨异常的概率大小，筛选出起主导作用的空间环境因素的取值区间。
在一个实施例中，决策树分类筛选影响区间包括：
构建空间环境数据与航天器在轨异常数据的决策树；
基于决策树分析获得各空间环境因素不同取值区间的异常级别分类；
构建相应的空间环境指标及其分级区间范围，筛选出起主导作用的空间环境因素的取值区间。
在一个实施例中，提取空间环境的风险表征指标及其阈值的步骤包括：
通过环境效应仿真起主导作用的空间环境因素，并结合空间环境效应影响机理可解释的情况，确定空间环境的风险表征指标；
通过计算混淆矩阵的方法在起主导作用的环境因素的取值区间，选取具有最优精确度和最低特异度的阈值，作为空间环境的风险表征指标的阈值。
第二方面，本发明提供一种空间环境风险指标的构建装置，其特殊之处在于，包括：
确定模块，用于确定与航天器在轨异常相关的空间环境因素；
筛选模块，用于筛选所确定的空间环境因素的影响区间；
提取模块，用于提取空间环境的风险表征指标及其阈值。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，其特殊之处在于，所述计算机程序被处理器执行时实现上面所述的方法。
与现有技术相比，本发明的有益效果是：
根据本申请实施例提供的技术方案，首先确定与航天器在轨异常相关的空间环境因素；其次筛选所确定的空间环境因素的影响区间；最后提取空间环境的风险表征指标及其阈值。通过上述方案获得的风险表征指标及其阈值可更为有效、准确地表征航天器所遭受的空间辐射环境风险，从而确保其能够满足航天器异常与空间环境关联性构建分析，以及航天器空间天气风险预报的需要。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1为本发明实施例提供的空间环境风险指标的构建方法的流程示意图；
图2为本发明实施例提供的确定与航天器在轨异常相关的空间环境因素步骤的流程示意图；
图3为本发明实施例提供的筛选所确定的空间环境因素的影响区间步骤的一种流程示意图；
图4为本发明实施例提供的筛选所确定的空间环境因素的影响区间步骤的另一种流程示意图；
图5为本发明实施例提供的筛选所确定的空间环境因素的影响区间步骤的又一种流程示意图；
图6为本发明实施例提供的提取空间环境的风险表征指标及其阈值步骤的流程示意图；
图7为本发明空间环境风险指标的构建装置的结构框图；
图8为适用于实现本发明的实施例的计算机设备的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
如背景技术中提到的，虽然目前有一定的数据分析方法，然而实际情况下空间环境的表征数据种类多而繁杂，若没有选取有效的空间环境因素，很可能无法分析获得准确的结果。因此，如何提出更为有效、准确、可表征航天器遭受空间辐射环境风险的环境指标获得方法，以满足在轨航天器异常数据分析以及空间天气风险预报等需求，将成为本申请的改进方向。
本发明的基本构思是：首先，在复杂的空间环境因素中筛选出与航天器在轨异常关联性较强的空间因素；其次，通过概率统计或机器学习方法筛选所确定的空间环境因素的影响区间；最后，结合空间环境效应影响机理可解释的情况，确定航天器在轨空间辐射环境风险的环境指标。
图1示出了本申请实施例提供的空间环境风险指标的构建方法的流程示意图。如图1所示，该方法包括：
步骤10，确定与航天器在轨异常相关的空间环境因素；
步骤20，筛选所确定的空间环境因素的影响区间；
步骤30，提取空间环境的风险表征指标及其阈值。
航天器在轨异常对应大量的空间环境因素，需要在复杂的空间环境因素中筛选出与航天器异常相关联的空间因素。航天器在轨运行过程中，其经历的空间环境处于不断变化中，各个与航天器异常相关联的空间环境因素的变化区间各不相同，变化范围可能跨越几个数量级，因此要对各空间环境因素的不同区间与航天器在轨异常的关联性进行进一步筛选。两级筛选完成后，通过综合分析，从与航天器在轨异常相关的空间环境因素中确定空间环境的风险表征指标，从所确定的空间环境因素的影响区间确定空间环境的风险表征指标的阈值。
图2示出了步骤10的流程示意图，所述步骤10包括：
步骤101，按时标对航天器在轨异常及与其对应的大量空间环境因素，分析确保各个空间环境因素的独立性假设；
步骤102，构建航天器在轨异常与空间环境因素的广义线性相关模型，筛选各相对独立的空间环境因素间起主导作用的空间环境因素。
需要说明的是，各相对独立的环境因素间起主导作用的空间环境因素的判别筛选通过赤池分析(AIC)、p值、方差来完成。
其中步骤101按时标对航天器在轨异常及其对应的大量空间环境因素分析，确保各个空间环境因素的独立性假设包括：
获取航天器在轨异常数据以及对应时间范围内的空间环境数据；
生成包含航天器在轨异常数据和空间环境数据的时间序列；
在多种空间环境因素中选取若干组具有相对独立性的环境因子集合。
其中步骤102构建航天器在轨异常与空间环境因素的广义线性相关模型，筛选各相对独立的空间环境因素间起主导作用的空间环境因素包括：
在若干组具有相对独立性的环境因子集合中选取不同的代表性环境因子，分别构建广义线性分析模型；
对广义线性分析模型的效果进行评估，以获得各空间环境因素中对航天器在轨异常有贡献的环境因子及其p值；
筛选出多个p值小于0.01的环境因子并进行比对，确定一组p值显著的广义线性分析模型，其所涵盖的空间环境因素为起主导作用的空间环境因素。
下面结合步骤101和步骤102的具体内容对步骤10进行详细叙述。
1)首先对航天器在轨异常数据，以及对应时间范围内的空间环境数据进行整合，在常用数据分析软件中生成包含航天器在轨异常数据和空间环境数据的时间序列，例如：R软件。由于空间环境因素较为复杂，因此要先进行主成分分析(PCA)，在电子辐射、质子辐射、地磁活动、太阳活动、银河宇宙线等多种空间环境因素中，选取若干组具有相对独立性的环境因子集合。
2)在每组环境因子集合中选取一项代表性环境因子，组成代表性环境因子集合Ei并以其为自变量，以航天器在轨异常数据为因变量，构建广义线性分析模型。多次在环境因子集合中抽取不同的代表性环境因子并重复，组成代表性环境因子集合Ei，利用这些代表性环境因子集合Ei集合重新构建广义线性模型，以进行空间环境因素筛选迭代。
3)对广义线性分析模型的效果进行评估，以获得各环境因素对航天器在轨异常的贡献因子(ai)及p值(pi)。筛选出p值小于0.01的环境因子，通过赤池分析(AIC)信息判别筛选的结果是否符合要求，并最终确定一组p值显著、方差最小的广义线性分析模型，此广义线性分析模型涵盖的空间环境因素即为与航天器在轨异常相关的环境因素。
通过主成分分析及广义线性模型分析确定与航天器在轨异常相关的空间环境因素后，对航天器在轨期间各空间环境因素的变化范围进行分析。
图3至图5示出了步骤20的流程示意图，所述步骤20包括：数据概率统计筛选影响区间和/或决策树分类筛选影响区间。
其中，数据概率统计筛选影响区间包括：
步骤201，将航天器在轨异常数据和起主导作用的空间环境数据组成时间序列；
步骤202，基于所述时间序列对所述空间环境因素在各个区间的概率分布，及其引起航天器在轨异常的概率进行统计；
步骤203，对比在各空间环境因素不同区间内的，航天器发生在轨异常的概率大小，筛选出起主导作用的空间环境因素的取值区间。
其中，决策树分类筛选影响区间包括：
步骤204，构建空间环境数据与航天器在轨异常数据的决策树；
步骤205，基于决策树分析获得各空间环境因素不同取值区间的异常级别分类；
步骤206，构建相应的空间环境指标及其分级区间范围，筛选出起主导作用的空间环境因素的取值区间。
下面结合步骤201至步骤206的具体内容对步骤20进行详细叙述。
1)数据概率统计筛选影响区间
将航天器在轨异常数据和步骤10筛选后的空间环境数据组成时间序列。对时间序列组成的数据表中的每一种环境因素，利用朴素贝叶斯方法，对空间环境因素在各个区间的概率分布，及其引起航天器在轨异常的概率进行统计。对比在各空间环境因素不同区间内，航天器发生在轨异常的概率大小，从而筛选出与航天器在轨异常相关的空间环境因素的取值区间。
2)决策树分类筛选影响区间
构建空间环境因素与航天器在轨异常的决策树，利用决策树的节点判别空间环境因素的主要指标，通过决策树对空间环境因素与航天器在轨异常数据进行分类。基于决策树分析可获得各空间环境因素不同区间异常级别的分类，构建相应的环境指标及其分级区间范围，作为表征航天器在轨空间环境风险的关键因素，从而筛选出与航天器在轨异常相关的空间环境因素的取值区间。
以上两种方式可单独使用，也可同时使用并进行比对，以筛选出与航天器在轨异常相关的空间环境因素及其影响区间。
图6示出了步骤30的流程示意图，所述步骤30包括：
步骤301，通过环境效应仿真起主导作用的空间环境因素，并结合空间环境效应影响机理可解释的情况，确定空间环境的风险表征指标；
步骤302，通过计算混淆矩阵的方法在起主导作用的环境因素的取值区间，选取具有最优精确度和最低特异度的阈值，作为空间环境的风险表征指标的阈值。
下面结合步骤301和步骤302的具体内容对步骤30进行详细叙述。
1)经过主成分分析、广义线性模型得到与航天器风险相关性较强的若干环境因素后，通过环境效应仿真，并结合空间环境效应影响机理可解释的情况，确定最终的环境指标，使其具有实际的物理意义；
2)经过概率分析、决策树等手段得到风险相关的环境因素的不同区间后，通过计算混淆矩阵的方法，选取具有最优精确度和最低特异度的阈值，作为空间环境的风险表征指标的阈值。
为便于对本发明的理解，下面结合上述内容以及具体的应用场景对本发明提供的空间环境风险指标的构建方法进行举例说明。
以某GEO轨道卫星为例，通过该轨道多个卫星在轨5年内的疑似在轨异常开展分析，首先获取该段时间的高能电子、地磁活动、太阳活动、银河宇宙线相关的探测数据，并对探测数据进行主成分分析(PCA)，通过主成分分析(PCA)发现高能电子多个能谱、地磁行星指数(Kp)与地磁场扰动幅度(Ap)等因素都存在一定的相关性。
因此在高能电子中利用现有数据建立{0.8MeV电子通量、2MeV电子通量、4MeV电子通量}、{Kp指数、Ap指数、Dst指数、AE指数、AO指数、AL指数、AU指数}等多个与航天器在轨异常具有相关性的相互独立的空间环境因子集合，并分别从各空间环境因子集合中找出一例代表性环境因子，构建广义线性分析模型。
对广义线性分析模型评估获得p值，通过p值的筛选和比对，最终选取了：高能电子2MeV以上积分通量的对数，极光电急流AE指数，高能质子30MeV以上积分通量，铁离子通量，太阳F10.7射电流量共5组参数作为对航天器在轨异常有贡献的环境因子，其p值均低于0.01。即利用这5类空间环境数据就可以通过一定方法构建其与GEO航天器辐射环境引起在轨异常的关联性空间环境因素。
通过环境效应仿真，并结合空间环境效应影响机理可解释的情况，最终给出几种典型空间环境的风险表征指标，包括：
1、对于充放电风险，空间环境的风险表征指标包括：高能电子2MeV以上积分通量的对数，极光电急流AE指数；
2、对于单粒子风险，空间环境的风险表征指标包括：高能质子30MeV以上积分通量，铁离子通量，太阳F10.7射电流量。
通过决策树分析还可明确各空间环境因素的影响区间，例如高能电子2MeV以上积分通量自然对数大于18时，将会具有较高的疑似充放电风险，F10.7低于100时会具有较高的疑似单粒子风险。通过计算混淆矩阵的方法，选取具有最优精确度和最低特异度的阈值，作为空间环境的风险表征指标的阈值。
上述应用场景仅针对某类具体卫星，其他情况可同样通过本方法推广获得。该方法可以针对在轨特定的环境效应风险，给出基本确定的空间环境因素及其风险判定的阈值，可以用于航天器在轨空间环境预报预警及安全管理等方向。
图7示出了本申请实施例提供的空间环境风险指标的构建装置。该装置包括确定模块701、筛选模块702和提取模块703。
确定模块701，用于确定与航天器在轨异常相关的空间环境因素；
筛选模块702，用于筛选所确定的空间环境因素的影响区间；
提取模块703，用于提取空间环境的风险表征指标及其阈值。
上述确定模块701可以包括分析单元和筛选单元；
分析单元，用于按时标对航天器在轨异常及与其对应的大量空间环境因素分析，确保各个空间环境因素的独立性假设；
筛选单元，用于构建航天器在轨异常与空间环境因素的广义线性相关模型，筛选各相对独立的空间环境因素间起主导作用的空间环境因素。
上述分析单元可以包括数据获取子单元、时间序列生成子单元和环境因子集合选取子单元；
数据获取子单元，用于获取航天器在轨异常数据以及对应时间范围内的空间环境数据；
时间序列生成子单元，用于生成包含航天器在轨异常数据和空间环境数据的时间序列。
环境因子集合选取子单元，用于在多种空间环境因素中选取若干组具有相对独立性的环境因子集合。
上述筛选单元可以包括分析模型构建子单元、效果评估子单元和分析模型筛选子单元；
分析模型构建子单元，用于在若干组具有相对独立性的环境因子集合中选取不同的代表性环境因子，分别构建广义线性分析模型；
效果评估子单元，用于对广义线性分析模型的效果进行评估，以获得各空间环境因素中对航天器在轨异常有贡献的环境因子及其p值；
分析模型筛选子单元，用于筛选出多个p值小于0.01的环境因子并进行比对，确定一组p值显著的广义线性分析模型，其所涵盖的空间环境因素为起主导作用的空间环境因素。
上述筛选模块702可以包括数据概率统计筛选单元和决策树分类筛选单元。
上述数据概率统计筛选单元包括时间序列组成子单元、概率统计子单元和第一取值区间筛选子单元；
时间序列组成子单元，用于将航天器在轨异常数据和起主导作用的空间环境数据组成时间序列；
概率统计子单元，用于基于所述时间序列对所述空间环境因素在各个区间的概率分布，及其引起航天器在轨异常的概率进行统计；
取值区间筛选子单元，用于对比在各空间环境因素不同区间内的，航天器发生在轨异常的概率大小，筛选出起主导作用的空间环境因素的取值区间。
上述决策树分类筛选单元包括决策树构建子单元、异常级别分类子单元和第二取值区间筛选子单元；
决策树构建子单元，用于构建空间环境数据与航天器在轨异常数据的决策树；
异常级别分类子单元，用于基于决策树分析获得各空间环境因素不同取值区间的异常级别分类；
第二取值区间筛选子单元，用于构建相应的空间环境指标及其分级区间范围，筛选出起主导作用的空间环境因素的取值区间。
上述提取模块703可以包括风险表征指标确定单元和阈值选取单元；
风险表征指标确定单元，用于通过环境效应仿真起主导作用的空间环境因素，并结合空间环境效应影响机理可解释的情况，确定空间环境的风险表征指标；
阈值选取单元，用于通过计算混淆矩阵的方法在起主导作用的环境因素的取值区间，选取具有最优精确度和最低特异度的阈值，作为空间环境的风险表征指标的阈值。
图8为本发明实施例提供的一种计算机设备的结构示意图。如图8所示，其示出了适于用来实现本申请实施例的终端设备或服务器的计算机系统800的结构示意图。
如图8所示，计算机系统800包括中央处理单元(CPU)801，其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中，还存储有系统800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入/输出(I/O)接口806也连接至总线804。
以下部件连接至I/O接口805：包括键盘、鼠标等的输入部分806；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807；包括硬盘等的存储部分808；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口806。可拆卸介质811，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器810上，以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地，根据本公开的实施例，上文参考图5描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述多个航空器的停机位分配方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分809从网络上被下载和安装，和/或从可拆卸介质811被安装。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，前述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。
作为另一方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中前述装置中所包含的计算机可读存储介质；也可以是单独存在，未装配入设备中的计算机可读存储介质。计算机可读存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请的空间环境风险指标的构建方法。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (10)
1.一种空间环境风险指标的构建方法，其特征在于，包括：
确定与航天器在轨异常相关的空间环境因素；
筛选所确定的空间环境因素的影响区间；
提取空间环境的风险表征指标及其阈值。
2.根据权利要求1所述的空间环境风险指标的构建方法，其特征在于，确定与航天器在轨异常相关的空间环境因素的步骤包括：
按时标对航天器在轨异常及与其对应的大量空间环境因素分析，确保各个空间环境因素的独立性假设；
构建航天器在轨异常与空间环境因素的广义线性相关模型，筛选各相对独立的空间环境因素间起主导作用的空间环境因素。
3.根据权利要求2所述的空间环境风险指标的构建方法，其特征在于，按时标对航天器在轨异常及其对应的大量空间环境因素分析，确保各个空间环境因素的独立性假设包括：
获取航天器在轨异常数据以及对应时间范围内的空间环境数据；
生成包含航天器在轨异常数据和空间环境数据的时间序列；
在多种空间环境因素中选取若干组具有相对独立性的环境因子集合。
4.根据权利要求2所述的空间环境风险指标的构建方法，其特征在于，构建航天器在轨异常与空间环境因素的广义线性相关模型，筛选各相对独立的空间环境因素间起主导作用的空间环境因素包括：
在若干组具有相对独立性的环境因子集合中选取不同的代表性环境因子，分别构建广义线性分析模型；
对广义线性分析模型的效果进行评估，以获得各空间环境因素中对航天器在轨异常有贡献的环境因子及其p值；
筛选出多个p值小于0.01的环境因子并进行比对，确定一组p值显著的广义线性分析模型，其所涵盖的空间环境因素为起主导作用的空间环境因素。
5.根据权利要求1所述的空间环境风险指标的构建方法，其特征在于，筛选所述空间环境因素的影响区间的步骤包括：数据概率统计筛选影响区间和/或决策树分类筛选影响区间。
6.根据权利要求5所述的空间环境风险指标的构建方法，其特征在于，数据概率统计筛选影响区间包括：
将航天器在轨异常数据和起主导作用的空间环境数据组成时间序列；
基于所述时间序列对所述空间环境因素在各个区间的概率分布，及其引起航天器在轨异常的概率进行统计；
对比在各空间环境因素不同区间内的，航天器发生在轨异常的概率大小，筛选出起主导作用的空间环境因素的取值区间。
7.根据权利要求6所述的空间环境风险指标的构建方法，其特征在于，决策树分类筛选影响区间包括：
构建空间环境数据与航天器在轨异常数据的决策树；
基于决策树分析获得各空间环境因素不同取值区间的异常级别分类；
构建相应的空间环境指标及其分级区间范围，筛选出起主导作用的空间环境因素的取值区间。
8.根据权利要求7所述的空间环境风险指标的构建方法，其特征在于，提取空间环境的风险表征指标及其阈值的步骤包括：
通过环境效应仿真起主导作用的空间环境因素，并结合空间环境效应影响机理可解释的情况，确定空间环境的风险表征指标；
通过计算混淆矩阵的方法在起主导作用的环境因素的取值区间，选取具有最优精确度和最低特异度的阈值，作为空间环境的风险表征指标的阈值。
9.一种空间环境风险指标的构建装置，其特征在于，包括：
确定模块，用于确定与航天器在轨异常相关的空间环境因素；
筛选模块，用于筛选所确定的空间环境因素的影响区间；
提取模块，用于提取空间环境的风险表征指标及其阈值。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~8中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010586858.6A CN111738604B (zh) | 2020-06-24 | 2020-06-24 | 空间环境风险指标的构建方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010586858.6A CN111738604B (zh) | 2020-06-24 | 2020-06-24 | 空间环境风险指标的构建方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111738604A true CN111738604A (zh) | 2020-10-02 |
| CN111738604B CN111738604B (zh) | 2024-04-16 |
Family
ID=72651408
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010586858.6A Active CN111738604B (zh) | 2020-06-24 | 2020-06-24 | 空间环境风险指标的构建方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111738604B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283084A (zh) * | 2021-05-27 | 2021-08-20 | 深圳星地孪生科技有限公司 | 银河宇宙线模型选用方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140019194A1 (en) * | 2012-07-12 | 2014-01-16 | Bank Of America | Predictive Key Risk Indicator Identification Process Using Quantitative Methods |
| CN104765964A (zh) * | 2015-04-15 | 2015-07-08 | 北京空间飞行器总体设计部 | 一种空间环境敏感参数筛选方法 |
| CN106372811A (zh) * | 2016-09-21 | 2017-02-01 | 广州供电局有限公司 | 城市电网运行指标筛选方法与系统 |
| CN107392406A (zh) * | 2017-05-09 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 一种用于风险决策的风险决策因子筛选方法及装置 |
| CN110069379A (zh) * | 2019-03-19 | 2019-07-30 | 北京百度网讯科技有限公司 | 监控指标的筛选方法及筛选装置 |
-
2020
- 2020-06-24 CN CN202010586858.6A patent/CN111738604B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140019194A1 (en) * | 2012-07-12 | 2014-01-16 | Bank Of America | Predictive Key Risk Indicator Identification Process Using Quantitative Methods |
| CN104765964A (zh) * | 2015-04-15 | 2015-07-08 | 北京空间飞行器总体设计部 | 一种空间环境敏感参数筛选方法 |
| CN106372811A (zh) * | 2016-09-21 | 2017-02-01 | 广州供电局有限公司 | 城市电网运行指标筛选方法与系统 |
| CN107392406A (zh) * | 2017-05-09 | 2017-11-24 | 阿里巴巴集团控股有限公司 | 一种用于风险决策的风险决策因子筛选方法及装置 |
| CN110069379A (zh) * | 2019-03-19 | 2019-07-30 | 北京百度网讯科技有限公司 | 监控指标的筛选方法及筛选装置 |
Non-Patent Citations (2)
| Title |
|---|
| MITCHELL, RICHARD ET AL.: "A comparison of green space indicators for epidemiological research.", JOURNAL OF EPIDEMIOLOGY AND COMMUNITY HEALTH, vol. 65, no. 10 * |
| 赵磊: "空间辐射风险评估理论与应用研究", 中国博士学位论文全文数据库 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113283084A (zh) * | 2021-05-27 | 2021-08-20 | 深圳星地孪生科技有限公司 | 银河宇宙线模型选用方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111738604B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Schäfer et al. | Detection of gravitational-wave signals from binary neutron star mergers using machine learning | |
| Bailer-Jones | Close encounters of the stellar kind | |
| WO1997002528A1 (en) | Method and system for an architecture based analysis of software quality | |
| Aguerri et al. | A study of catalogued nearby galaxy clusters in the SDSS-DR4-II. Cluster substructure | |
| CN102207998B (zh) | 基于无失效数据的评估产品寿命及其可靠性的方法 | |
| CN112990330A (zh) | 用户用能异常数据检测方法及设备 | |
| CN111738604B (zh) | 空间环境风险指标的构建方法、装置及存储介质 | |
| Machado et al. | Pre-supernova alert system for Super-Kamiokande | |
| Tinker | A Self-calibrating Halo-based Galaxy Group Finder: Algorithm and Tests | |
| CN113191642B (zh) | 一种基于最优组合策略的区域滑坡敏感性分析方法 | |
| Aartsen et al. | The IceCube Neutrino Observatory part I: point source searches | |
| Cuciti et al. | The Planck clusters in the LOFAR sky-V. LoTSS-DR2: Mass–radio halo power correlation at low frequency | |
| CN113780346A (zh) | 一种先验约束分类器调整方法、系统及可读存储介质 | |
| Jamieson et al. | Using machine learning to improve neutron identification in water Cherenkov detectors | |
| Mir et al. | An improved imputation method for accurate prediction of imputed dataset based radon time series | |
| Eslinger et al. | Investigations of association among atmospheric radionuclide measurements | |
| CN114546841B (zh) | 基于云计算的软件质量评估方法 | |
| Tronrud et al. | Machine learning for galactic archaeology: a chemistry-based neural network method for identification of accreted disc stars | |
| CN111931424A (zh) | 异常数据的均衡化处理方法、装置、设备及存储介质 | |
| Merrill et al. | Use of density equalizing map projections (DEMP) in the analysis of childhood cancer in four California counties | |
| Carlson et al. | Clustering analysis of the morphology of the 130 GeV gamma-ray feature | |
| Thompson et al. | The Gumbel hypothesis test for left censored observations using regional earthquake records as an example | |
| Kowalski | Measuring diffuse neutrino fluxes with IceCube | |
| Postelt | Potential of spectrum categorisation concepts using radionuclide ratios for comprehensive nuclear-test-ban treaty verification | |
| Tehseen et al. | EPS: An earthquake prediction system using federated learning |
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 |