CN112036459B - 基于k-means聚类算法的卫星任务归并方法、装置及存储介质 - Google Patents

基于k-means聚类算法的卫星任务归并方法、装置及存储介质 Download PDF

Info

Publication number
CN112036459B
CN112036459B CN202010854751.5A CN202010854751A CN112036459B CN 112036459 B CN112036459 B CN 112036459B CN 202010854751 A CN202010854751 A CN 202010854751A CN 112036459 B CN112036459 B CN 112036459B
Authority
CN
China
Prior art keywords
satellite
merging
computing nodes
task
satellite computing
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
Application number
CN202010854751.5A
Other languages
English (en)
Other versions
CN112036459A (zh
Inventor
龙军
钟思伟
刘丽敏
齐倩倩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202010854751.5A priority Critical patent/CN112036459B/zh
Publication of CN112036459A publication Critical patent/CN112036459A/zh
Application granted granted Critical
Publication of CN112036459B publication Critical patent/CN112036459B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Radio Relay Systems (AREA)

Abstract

本发明公开了一种基于k‑means聚类算法的卫星任务归并方法、装置及存储介质，其首先进行任务结果归并模拟，包括将各个卫星计算节点按照时间窗大小进行降维，然后按照时间窗的大小进行聚类，根据当前时间点各卫星计算节点间的可见性进行向上归并，随机选取时间间隔不断进行聚类和向上归并直至收敛，最终归并到若干归并卫星计算节点上。然后控制各卫星计算节点在对应模拟过程中进行向上归并的时间点上建立对应的连接，进行任务结果传输，最后主星与若干归并卫星计算节点建立连接，收取任务结果。该方案对所有任务结果进行合理中间归并，能在该多约束的条件下快速高效的将结果收取聚合，减少最终单星聚合的计算压力，最终得到准确高效的原计算任务结果。

Description

基于k-means聚类算法的卫星任务归并方法、装置及存储介质
技术领域
本发明涉及卫星任务传输技术领域，尤其涉及一种基于k-means聚类算法的卫星任务归并方法、装置及存储介质。
背景技术
随着卫星数量与技术与日俱增，越来越多的卫星星座构建而成。卫星星座是指由多颗卫星组成的、卫星轨道形成稳定的空间几何构型、卫星之间保持固定的时空关系从而完成特定航天任务的卫星系统。卫星星座能够更大程度地发挥卫星的作用，拓展卫星的应用形式，其在全球性、多重性、时效性、连续性等方面具有单颗卫星所无法比拟的优势。在卫星应用早期，主要通过单颗卫星来完成任务。近年来引起各国航天界极大关注的“分布式卫星系统”，是特指由微小卫星构成，且卫星间相对距离较近的一类航天系统。这类系统构成卫星星座，紧密的信息互联和协同控制。
传统卫星的计算，其在轨活动都是由地面运控中心提前做好计划方案和相应任务指令，然后经由合适的地面站上行链路上传至卫星并离线执行，这种方式要求任务明确且串行、星地通信时间充分以及运行环境相对稳定。由于卫星数量和任务需求日益增多，星地交互频繁，这种方式的运行成本较高，在动态环境下，例如观测区域上空出现云层、卫星故障、观测任务不定时上注、取消已安排任务及任务属性变化等时，地面任务规划与资源调度系统没有足够的时间对卫星进行规划方案调整，将导致观测任务无法完成。为了打破这种传统的僵局，星上的自主计算也是当今焦点内容，而卫星网络的不断加强，也使得星上的通讯交互更加迅速方便，越来越多的任务交由星上自主进行。而在这卫星网络的分布式环境中，各个卫星计算节点的交互传输方式，是当今热门的研究话题。
当今卫星网络的构建已经趋于成熟，且越来越多的卫星平台相继推出，这些卫星平台仍是以卫星各个分系统为界限进行独立划分，相互独立的完成各自的功能，如今星上的协同计算依旧不多。为了能在卫星网络在互通互联的背景下，各个卫星计算节点在各自执行完自己的计算任务后，需要将计算结果收取归并。但由于星上特殊且严苛的环境，卫星的通讯能力强弱不一与卫星的高速运转，使得在这动态的环境下结果的传递变得十分困难。
发明内容
本发明提供了一种基于k-means聚类算法的卫星任务归并方法、装置及存储介质，以解决相关技术中卫星的通讯能力强弱不一与卫星的高速运转，使得任务结果的传递十分困难的问题。
第一方面，提供了一种基于k-means聚类算法的卫星任务归并方法，包括：
S01：根据各卫星计算节点与主星的可见时间窗的长短，将空间内的卫星计算节点进行降维，使其分布在一维的时间轴上；
S02：基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类；
S03：根据当前时间点各卫星计算节点间的可见性进行时间窗短的低类别卫星计算节点向时间窗长的高类别卫星计算节点的向上归并；
S04：随机选取时间间隔，并不断重复步骤S02～S03，继续进行卫星计算节点的聚类和向上归并，直至收敛，得到若干归并卫星计算节点；
S05：在对应步骤S02～S04中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输归并，最终将所有卫星计算节点的任务结果传输归并至所述若干归并卫星计算节点；
S06：主星与所述若干归并卫星计算节点在各自对应时间窗的最后临近时刻建立连接，收取所有的任务结果。
上述方案提供的一种基于k-means聚类算法的卫星任务归并方法，首先进行对各卫星计算节点之间、各卫星计算节点与主星之间任务结果归并的模拟，具体包括首先将在空间中的各个卫星计算节点按照与主星的时间窗大小进行一维时间轴排列降维，然后基于k-means聚类算法在时间轴上按照时间窗的大小进行聚类，并根据当前时间点各卫星计算节点间的可见性进行向上归并，随机选取时间点不断进行聚类和向上归并，直至收敛，最终所有卫星计算节点归并到若干个不再进一步归并的卫星计算节点上。通过上述模拟，控制各卫星计算节点在对应模拟过程中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输，最终将所有卫星计算节点的任务结果传输至所述若干归并卫星计算节点，最后主星在相应的时间点与所述若干归并卫星计算节点建立连接，收取所有的任务结果。该方案对所有的计算结果进行合理的中间归并，能在这种特殊且多约束的条件下快速高效的将结果收取聚合，减少最终单星聚合的计算压力，最终得到准确高效的原计算任务结果。
进一步地，所述基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类包括：
预设k个聚类中心；
分别计算各卫星计算节点与k个聚类中心的欧氏距离；
将每个卫星计算节点归于与其欧氏距离最小值对应的聚类中心相应的类簇中。
进一步地，所述预设k个聚类中心包括：
预设一个k值；
获取时间轴上最大时间窗值tn，以及最小时间窗值t1；
将最大时间窗值与最小时间窗值的差值除以k+1，并以所得值在tn-t1段上做等差队列，得到k个聚类中心C：
第二方面，提供了一种基于k-means聚类算法的卫星任务归并装置，包括：
降维模块，用于根据各卫星计算节点与主星的可见时间窗的长短，将空间内的卫星计算节点进行降维，使其分布在一维的时间轴上；
归并模拟模块，用于基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类；根据当前时间点各卫星计算节点间的可见性进行时间窗短的低类别卫星计算节点向时间窗长的高类别卫星计算节点的向上归并；随机选取时间间隔，并不断重复上述卫星计算节点的聚类和向上归并过程，直至收敛，得到若干归并卫星计算节点；
收取任务结果指令生成模块，用于生成收取任务结果指令并发送至对应的卫星星座；所述卫星星座接收到收取任务结果指令后执行如下操作：
在对应归并模拟模块中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输归并，最终将所有卫星计算节点的任务结果传输归并至所述若干归并卫星计算节点；
主星与所述若干归并卫星计算节点在各自对应时间窗的最后临近时刻建立连接，收取所有的任务结果。
进一步地，所述基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类包括：
预设k个聚类中心；
分别计算各卫星计算节点与k个聚类中心的欧氏距离；
将每个卫星计算节点归于与其欧氏距离最小值对应的聚类中心相应的类簇中。
进一步地，所述预设k个聚类中心包括：
预设一个k值；
获取时间轴上最大时间窗值tn，以及最小时间窗值t1；
将最大时间窗值与最小时间窗值的差值除以k+1，并以所得值在tn-t1段上做等差队列，得到k个聚类中心C：
第三方面，提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序适于被处理器加载并执行如上所述的基于k-means聚类算法的卫星任务归并方法。
本发明提出了一种基于k-means聚类算法的卫星任务归并方法、装置及存储介质，首先进行对各卫星计算节点之间、各卫星计算节点与主星之间任务结果归并的模拟，具体包括首先将在空间中的各个卫星计算节点按照与主星的时间窗大小进行一维时间轴排列降维，然后基于k-means聚类算法在时间轴上按照时间窗的大小进行聚类，并根据当前时间点各卫星计算节点间的可见性进行向上归并，随机选取时间点不断进行聚类和向上归并，直至收敛，最终所有卫星计算节点归并到若干个不再进一步归并的卫星计算节点上。通过上述模拟，控制各卫星计算节点在对应模拟过程中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输，最终将所有卫星计算节点的任务结果传输至所述若干归并卫星计算节点，最后主星在相应的时间点与所述若干归并卫星计算节点建立连接，收取所有的任务结果。该方案对所有的计算结果进行合理的中间归并，能在这种特殊且多约束的条件下快速高效的将结果收取聚合，减少最终单星聚合的计算压力，最终得到准确高效的原计算任务结果。
该方案将所有卫星计算节点的任务结果都归并至若干高可靠的卫星计算节点中，最后若干高可靠的卫星计算节点将归并的任务结果聚合到主星，使最终结果的聚合更加高效可靠。同时，可减少主星监听各卫星计算节点的压力，通过聚类明确类别与等级边界，确保每次归并后，每个类别内都有计算节点；低类别卫星计算节点只能向高类别卫星计算节点归并，同类别卫星计算节点之间不归并，可避免不必要的聚合开销。
附图说明
图1是本发明实施例提供的一卫星星座中主星与各卫星的可见时间窗关系示意图；
图2是本发明实施例提供的两个时刻下各卫星计算节点间的可见性关系示意图；
图3是本发明实施例提供的一种基于k-means聚类算法的卫星任务归并方法流程图；
图4是本发明实施例提供的将各卫星计算节点降维到时间轴上的示意图；
图5是本发明实施例提供的将各卫星计算节点进行初次聚类后的结果示意图；
图6是本发明实施例提供的将各卫星计算节点进行初次向上归并的过程示意图；
图7是本发明实施例提供的收敛时各卫星计算节点向上归并的最终状态示意图。
具体实施方式
下面结合附图及具体实施方式对本发明进行详细说明。
为了便于理解本发明的技术方案，首先对卫星星座任务结果归并的约束条件进行说明。
1、与主星的可见时间窗：在卫星星座中，多颗卫星(卫星计算节点)与主任务分发与接收的主星由于卫星的高速运动与卫星天线的侧摆角度，卫星计算节点与主星的可见时间是以窗口描述(时间段)，各卫星计算节点均对应有各自的时间窗，如图1所示。
2、与主星的可见时间窗长短取决于卫星计算节点与主星得相对距离或者卫星类别：
(1)相对距离近者时间窗长，相对距离远者则时间窗短；
(2)高轨卫星通讯能力强，低轨卫星速度快时间窗短；
(3)距离近或者通讯能力强的计算节点，数据传输效率、成功性与可靠性更高。
3、由于各个卫星的高速运转与卫星种类的不同，卫星计算节点间的可见性是动态变化的，如图2所示，展示了两个时刻下各卫星计算节点间的可见性。
发明人研究发现，为了能在这种特殊且多约束的条件下快速高效的将结果收取聚合，需要对所有的计算任务结果进行合理的中间归并，减少最终单星聚合的计算压力。利用卫星能力以及与收取结果的主星的可见时间长短的差异，可将所有的卫星节点进行归类，依据不同类别的卫星进行对应的操作。本发明在星上特殊环境的约束下，针对各卫星的结果收取方式，通过卫星间的通讯强弱差异与可见时间的动态变化的情况下进行聚类，提出了一种基于k-means聚类算法的卫星任务归并方案，以得到准确高效的原计算任务结果。下面结合具体实施例对本方案做进一步的说明。
实施例1
如图3所示，本实施例提供了一种基于k-means聚类算法的卫星任务归并方法，包括：
S01：根据各卫星计算节点与主星的可见时间窗的长短，将空间内的卫星计算节点进行降维，使其分布在一维的时间轴上；本实施例以24颗卫星与一颗主星构成的卫星星座为例进行说明，降维到一维时间轴上后的结果如图4所示。
S02：基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类；具体包括：
根据实际情况预设一个k值(k的取值要远小于卫星计算节点总数n)，本实施例中k取值为3；
获取时间轴上最大时间窗值tn，以及最小时间窗值t1；
将最大时间窗值与最小时间窗值的差值除以3+1，并以所得值在tn-t1段上做等差队列，得到3个聚类中心C：
分别计算各卫星计算节点与3个聚类中心的欧氏距离d＝(ti,Cj)＝|ti-Cj|，i∈{1、2...n}，j∈{1、2...k}；
将每个卫星计算节点归于与其欧氏距离最小值dmin对应的聚类中心相应的类簇Pj中，其中，j∈{1、2...k}，聚类后的结果如图5所示。
S03：根据当前时间点各卫星计算节点间的可见性进行时间窗短的低类别卫星计算节点向时间窗长的高类别卫星计算节点的向上归并，低类别向高类别归并，同类别里可见时不进行归并，具体归并过程如图6所示。
S04：随机选取时间间隔，并不断重复步骤S02～S03，继续进行卫星计算节点的聚类和向上归并，直至收敛，得到若干归并卫星计算节点，本实施例中，最终得到7个归并卫星计算节点，归并最终结果如图7所示。模拟过程中的进行归并的时间点与实际操作进行任务结果的传输归并时的时间点相同
S05：在对应步骤S02～S04中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输归并，最终将所有卫星计算节点的任务结果传输归并至所述若干归并卫星计算节点；
S06：主星与所述若干归并卫星计算节点在各自对应时间窗的最后临近时刻建立连接，收取所有的任务结果。各自对应时间窗的最后临近时刻的选取根据所述若干归并卫星计算节点各自实际完成任务结果传输所需的时间而定，建立连接的时刻到对应时间窗最终时刻的时间间隔大于或等于完成任务结果传输所需的时间。
实施例2
本实施例提供了一种基于k-means聚类算法的卫星任务归并装置，包括：
降维模块，用于根据各卫星计算节点与主星的可见时间窗的长短，将空间内的卫星计算节点进行降维，使其分布在一维的时间轴上；
归并模拟模块，用于基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类；根据当前时间点各卫星计算节点间的可见性进行时间窗短的低类别卫星计算节点向时间窗长的高类别卫星计算节点的向上归并；随机选取时间间隔，并不断重复上述卫星计算节点的聚类和向上归并过程，直至收敛，得到若干归并卫星计算节点；
收取任务结果指令生成模块，用于生成收取任务结果指令并发送至对应的卫星星座；所述卫星星座接收到收取任务结果指令后执行如下操作：
在对应归并模拟模块中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输归并，最终将所有卫星计算节点的任务结果传输归并至所述若干归并卫星计算节点；
主星与所述若干归并卫星计算节点在各自对应时间窗的最后临近时刻建立连接，收取所有的任务结果。
本实施例中，所述基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类包括：
预设一个k值；
获取时间轴上最大时间窗值tn，以及最小时间窗值t1；
将最大时间窗值与最小时间窗值的差值除以k+1，并以所得值在tn-t1段上做等差队列，得到k个聚类中心C：
分别计算各卫星计算节点与k个聚类中心的欧氏距离；
将每个卫星计算节点归于与其欧氏距离最小值对应的聚类中心相应的类簇中。
实施例3
本实施例提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序适于被处理器加载并执行如实施例1所述的基于k-means聚类算法的卫星任务归并方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
本发明提出了一种基于k-means聚类算法的卫星任务归并方法、装置及存储介质，首先进行对各卫星计算节点之间、各卫星计算节点与主星之间任务结果归并的模拟，具体包括首先将在空间中的各个卫星计算节点按照与主星的时间窗大小进行一维时间轴排列降维，然后基于k-means聚类算法在时间轴上按照时间窗的大小进行聚类，并根据当前时间点各卫星计算节点间的可见性进行向上归并，随机选取时间点不断进行聚类和向上归并，直至收敛，最终所有卫星计算节点归并到若干个不再进一步归并的卫星计算节点上。通过上述模拟，控制各卫星计算节点在对应模拟过程中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输，最终将所有卫星计算节点的任务结果传输至所述若干归并卫星计算节点，最后主星在相应的时间点与所述若干归并卫星计算节点建立连接，收取所有的任务结果。该方案对所有的计算结果进行合理的中间归并，能在这种特殊且多约束的条件下快速高效的将结果收取聚合，减少最终单星聚合的计算压力，最终得到准确高效的原计算任务结果。
该方案将所有卫星计算节点的任务结果都归并至若干高可靠的卫星计算节点中，最后若干高可靠的卫星计算节点将归并的任务结果聚合到主星，使最终结果的聚合更加高效可靠。同时，可减少主星监听各卫星计算节点的压力，通过聚类明确类别与等级边界，确保每次归并后，每个类别内都有计算节点；低类别卫星计算节点只能向高类别卫星计算节点归并，同类别卫星计算节点之间不归并，可避免不必要的聚合开销。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于k-means聚类算法的卫星任务归并方法，其特征在于，包括：
S01：根据各卫星计算节点与主星的可见时间窗的长短，将空间内的卫星计算节点进行降维，使其分布在一维的时间轴上；
S02：基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类；
S03：根据当前时间点各卫星计算节点间的可见性进行时间窗短的低类别卫星计算节点向时间窗长的高类别卫星计算节点的向上归并；
S04：随机选取时间间隔，并不断重复步骤S02～S03，继续进行卫星计算节点的聚类和向上归并，直至收敛，得到若干归并卫星计算节点；
S05：在对应步骤S02～S04中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输归并，最终将所有卫星计算节点的任务结果传输归并至所述若干归并卫星计算节点；
S06：主星与所述若干归并卫星计算节点在各自对应时间窗的最后临近时刻建立连接，收取所有的任务结果；
所述基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类包括：
预设k个聚类中心；
分别计算各卫星计算节点与k个聚类中心的欧氏距离；
将每个卫星计算节点归于与其欧氏距离最小值对应的聚类中心相应的类簇中；
所述预设k个聚类中心包括：
预设一个k值；
获取时间轴上最大时间窗值tn，以及最小时间窗值t1；
将最大时间窗值与最小时间窗值的差值除以k+1，并以所得值在tn-t1段上做等差队列，得到k个聚类中心C：
2.一种基于k-means聚类算法的卫星任务归并装置，其特征在于，包括：
降维模块，用于根据各卫星计算节点与主星的可见时间窗的长短，将空间内的卫星计算节点进行降维，使其分布在一维的时间轴上；
归并模拟模块，用于基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类；根据当前时间点各卫星计算节点间的可见性进行时间窗短的低类别卫星计算节点向时间窗长的高类别卫星计算节点的向上归并；随机选取时间间隔，并不断重复上述卫星计算节点的聚类和向上归并过程，直至收敛，得到若干归并卫星计算节点；
收取任务结果指令生成模块，用于生成收取任务结果指令并发送至对应的卫星星座；所述卫星星座接收到收取任务结果指令后执行如下操作：
在对应归并模拟模块中进行向上归并的时间点上建立进行向上归并的卫星计算节点之间的连接，进行任务结果的传输归并，最终将所有卫星计算节点的任务结果传输归并至所述若干归并卫星计算节点；
主星与所述若干归并卫星计算节点在各自对应时间窗的最后临近时刻建立连接，收取所有的任务结果；
所述基于k-means聚类算法对一维时间轴上的卫星计算节点进行聚类包括：
预设k个聚类中心；
分别计算各卫星计算节点与k个聚类中心的欧氏距离；
将每个卫星计算节点归于与其欧氏距离最小值对应的聚类中心相应的类簇中；
所述预设k个聚类中心包括：
预设一个k值；
获取时间轴上最大时间窗值tn，以及最小时间窗值t1；
将最大时间窗值与最小时间窗值的差值除以k+1，并以所得值在tn-t1段上做等差队列，得到k个聚类中心C：
3.一种计算机可读存储介质，其存储有计算机程序，其特征在于，所述计算机程序适于被处理器加载并执行如权利要求1所述的基于k-means聚类算法的卫星任务归并方法。
CN202010854751.5A 2020-08-24 2020-08-24 基于k-means聚类算法的卫星任务归并方法、装置及存储介质 Active CN112036459B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010854751.5A CN112036459B (zh) 2020-08-24 2020-08-24 基于k-means聚类算法的卫星任务归并方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010854751.5A CN112036459B (zh) 2020-08-24 2020-08-24 基于k-means聚类算法的卫星任务归并方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112036459A CN112036459A (zh) 2020-12-04
CN112036459B true CN112036459B (zh) 2023-12-22

Family

ID=73580767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010854751.5A Active CN112036459B (zh) 2020-08-24 2020-08-24 基于k-means聚类算法的卫星任务归并方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112036459B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9098803B1 (en) * 2012-12-21 2015-08-04 Emc Corporation Hypotheses aggregation in data analytics
CN108053051A (zh) * 2017-11-16 2018-05-18 西安电子科技大学 基于任务拆分聚合的数据中继卫星系统任务规划方法
GB2557011A (en) * 2016-11-28 2018-06-13 National Univ Of Defense Technology Spark-based imaging satellite task preprocessing parallelization method
CN108388958A (zh) * 2018-01-31 2018-08-10 中国地质大学（武汉） 一种二维姿态机动卫星任务规划技术研究的方法及装置
CN109636214A (zh) * 2018-12-19 2019-04-16 航天恒星科技有限公司 一种面向多源对地观测卫星的快速任务规划方法
CN110400002A (zh) * 2019-06-21 2019-11-01 中南大学 一种多星成像任务规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7868786B2 (en) * 2004-10-19 2011-01-11 Microsoft Corporation Parsing location histories
EP3070001B1 (en) * 2012-08-03 2017-10-25 Terra Bella Technologies Inc. Satellite scheduling system

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9098803B1 (en) * 2012-12-21 2015-08-04 Emc Corporation Hypotheses aggregation in data analytics
GB2557011A (en) * 2016-11-28 2018-06-13 National Univ Of Defense Technology Spark-based imaging satellite task preprocessing parallelization method
CN108053051A (zh) * 2017-11-16 2018-05-18 西安电子科技大学 基于任务拆分聚合的数据中继卫星系统任务规划方法
CN108388958A (zh) * 2018-01-31 2018-08-10 中国地质大学（武汉） 一种二维姿态机动卫星任务规划技术研究的方法及装置
CN109636214A (zh) * 2018-12-19 2019-04-16 航天恒星科技有限公司 一种面向多源对地观测卫星的快速任务规划方法
CN110400002A (zh) * 2019-06-21 2019-11-01 中南大学 一种多星成像任务规划方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
A Task Clustering Method for Multi Agile Satellite Based on Clique Partition;Jun Long等;2018 11th International Conference on Intelligent Computation Technology and Automation (ICICTA);第332-336页 *
Modeling research of the satellite multi-user mission requirements based on multivariate statistical analysis method;Hui-cheng Hao等;2012 International Conference on Management Science & Engineering 19th Annual Conference Proceedings;第161-167页 *
Multi satellites scheduling algorithm based on task merging mechanism;Liu Xiaolu等;Applied Mathematics and Computation;第230卷;第687-700页 *
Result Aggregation Algorithm Based on Upward-Merging of Inter-satellite Visibility;Siwei Zhong等;2021 13th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA);第863-867页 *
Satellite observation scheduling with a novel adaptive simulated annealing algorithm and a dynamic task clustering strategy;Guohua Wu等;Computers & Industrial Engineering;第113卷;第576-588页 *
天基信息网络资源调度与协同管理;王睿 等;通信学报;第38卷(第S1期);第104-109页 *
天基海洋移动目标监视的联合调度问题研究;徐一帆;中国博士学位论文全文数据库 基础科学辑(第7期);A010-1 *
面向海上移动目标的空天协同连续观测模型;梁星星 等;系统工程理论与实践;第38卷(第1期);第229-240页 *

Also Published As

Publication number Publication date
CN112036459A (zh) 2020-12-04

Similar Documents

Publication Publication Date Title
CN107682068B (zh) 一种任务驱动的可重构空间信息网络资源管理架构及方法
Shang et al. Computing over space-air-ground integrated networks: Challenges and opportunities
Matthiesen et al. Federated learning in satellite constellations
Ho et al. UAV control for wireless service provisioning in critical demand areas: A deep reinforcement learning approach
US11223674B2 (en) Extended mobile grid
CN109347536B (zh) 一种基于态势知识的空间网络资源状态监控系统
CN110825116B (zh) 基于时变网络拓扑的无人机编队方法
CN108449383A (zh) 分布式实时移动微云计算系统
CN110347181A (zh) 基于能耗的无人机分布式编队控制方法
CN109818792B (zh) 一种基于二阶线性系统时变耦合复杂动态网络模型的控制器
CN115002123A (zh) 基于移动边缘计算的快速适应任务卸载系统和方法
CN116362327A (zh) 一种模型训练方法、系统及电子设备
Tang et al. Slicing-based software-defined mobile edge computing in the air
CN112616126A (zh) 一种基于分布式协作的传感器信息处理方法
CN116893861A (zh) 基于空地协同边缘计算的多智能体协作依赖任务卸载方法
CN112036459B (zh) 基于k-means聚类算法的卫星任务归并方法、装置及存储介质
CN113220034B (zh) 自主重构和人工干预重构相结合的无人机集群重构系统
CN115759107A (zh) 语义通信系统的生成方法、装置、电子设备及介质
Yu et al. Federated imitation learning: A cross-domain knowledge sharing framework for traffic scheduling in 6G ubiquitous IoT
Atanov et al. Development an intelligent task offloading system for edge-cloud computing paradigm
CN110662272A (zh) 一种基于蜂群无人机的最少数量领航者选取方法
CN112738225B (zh) 基于人工智能的边缘计算方法
Yang et al. Integrated communication and computing maritime networks design for green Metaverse
CN115543582A (zh) 超算算力网络统一调度方法、系统及设备
CN115134370A (zh) 一种多无人机辅助的移动边缘计算卸载方法

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