CN113780517A - 一种数据驱动的卫星接收机故障预测方法 - Google Patents
一种数据驱动的卫星接收机故障预测方法 Download PDFInfo
- Publication number
- CN113780517A CN113780517A CN202110913150.1A CN202110913150A CN113780517A CN 113780517 A CN113780517 A CN 113780517A CN 202110913150 A CN202110913150 A CN 202110913150A CN 113780517 A CN113780517 A CN 113780517A
- Authority
- CN
- China
- Prior art keywords
- particle
- global
- updated
- neural network
- value
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000002245 particle Substances 0.000 claims abstract description 120
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/23—Testing, monitoring, correcting or calibrating of receiver elements
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Abstract
本发明提供了一种数据驱动的卫星接收机故障预测方法，该方法包括：采集卫星接收机在多种工况下的试验数据；对多种工况下的试验数据进行预处理，得到预处理后的样本数据，并将预处理后的样本数据随机分为训练样本集和测试样本集；根据训练样本集建立BP神经网络模型；对粒子群优化算法中的参数进行初始化；利用粒子群优化算法对BP神经网络模型进行优化，得到PSO‑BP故障预测模型；将测试样本集导入PSO‑BP故障预测模型，对卫星接收机的故障进行预测。本发明能够从数据中预测出卫星接收机的状态，从而有效地提高卫星接收机系统长时间运行过程中的可靠性。
Description
技术领域
本发明涉及卫星导航测试技术领域，尤其涉及一种数据驱动的卫星接收机故障预测方法。
背景技术
卫星导航系统因其能够提供全天候、高精度授时等需求而越来越受到重视。在武器装备领域，绝大部分制导武器都装备弹载卫星接收机来辅助制导系统修正导航误差和提高精度，但是由于卫星导航系统的脆弱性以及国内卫星导航用户级在工程化方面的缺陷，导致卫星导航在武器装备应用中出现了较多的问题。除此之外，卫星接收机也已广泛应用与陆地、航空、航海等多领域的运载体导航，其性能的好坏也影响着卫星导航的服务质量。
预测是根据所要预测的现象过去和现在的相关数据为基础，通过科学的预测方法和逻辑推理，对该现象未来的发展趋势做出预测和推断。考虑到卫星接收机自身复杂的特殊性，硬件、软件、环境等问题均有可能产生故障或导致卫星接收机性能下降的状态，增加了故障维护的难度。因此保证系统运行的可靠性与稳定性，及时地发现故障与预防故障的发生就显得尤为重要，也使得对卫星接收机进行故障预测方法的研究得到了越来越多的重视。
发明内容
为解决上述技术问题之一，本发明提供了一种数据驱动的卫星接收机故障预测方法，能够从数据中预测出卫星接收机的状态，从而有效地提高卫星接收机系统长时间运行过程中的可靠性。
根据本发明的一方面，提供了一种数据驱动的卫星接收机故障预测方法，所述方法包括：
采集卫星接收机在多种工况下的试验数据；
对多种工况下的试验数据进行预处理，得到预处理后的样本数据，并将预处理后的样本数据随机分为训练样本集和测试样本集；
根据训练样本集建立BP神经网络模型；
对粒子群优化算法中的参数进行初始化；
利用粒子群优化算法对BP神经网络模型进行优化，得到PSO-BP故障预测模型；
将测试样本集导入PSO-BP故障预测模型，对卫星接收机的故障进行预测。
优选的，利用粒子群优化算法对BP神经网络模型进行优化，得到PSO-BP故障预测模型包括：
将BP神经网络模型的误差函数作为粒子群优化算法中的适应度函数；
根据适应度函数获取每个粒子的适应度值；
根据每个粒子的适应度值对每个粒子的个体极值和全局极值进行更新，得到每个粒子更新后的个体极值和全局极值；
根据每个粒子更新后的个体极值和全局极值对对应粒子的速度和位置进行更新，以获取每个粒子的最优解和粒子群的全局最优解，从而实现对BP神经网络模型的权值和阈值的优化，得到PSO-BP故障预测模型。
优选的，根据每个粒子的适应度值对每个粒子的个体极值和全局极值进行更新，得到每个粒子更新后的个体极值和全局极值包括：
将当前粒子的适应度值与个体极值进行比较；
在当前粒子的适应度值大于个体极值的情况下，将当前粒子的适应度值作为更新后的个体极值；
在当前粒子的适应度值小于或等于个体极值的情况下，将当前粒子的个体极值作为更新后的个体极值；
将当前粒子的适应度值与全局极值进行比较；
在当前粒子的适应度值大于全局极值的情况下，将当前粒子的适应度值作为更新后的全局极值；
在当前粒子的适应度值小于或等于全局极值的情况下，将当前粒子的全局极值作为更新后的全局极值；
遍历粒子群中的所有粒子，以得到每个粒子更新后的个体极值和全局极值。
优选的，通过下式对每个粒子的速度进行更新：
式中，
为第i个粒子更新后的速度，
为第i个粒子的速度，ω为惯性权重，c1为局部学习因子，c2为全局学习因子，r1、r2均为区间[-1,1]内的随机数，
为第i个粒子的个体极值，
为第i个粒子的全局极值，
是第i个粒子的位置。
优选的，通过下式对每个粒子的位置进行更新：
式中，
是第i个粒子更新后的位置。
优选的，根据训练样本集建立BP神经网络模型包括：
根据训练样本集对BP神经网络的拓扑结构进行初始化；
利用反相传播调整BP神经网络的权值和阈值，以建立BP神经网络模型。
优选的，所述粒子群优化算法中初始化的参数包括：惯性权重、局部学习因子、全局学习因子、惯性权重初始最大值和惯性权重初始最小值。
优选的，对多种工况下的试验数据进行预处理，得到预处理后的样本数据包括：对多种工况下的试验数据进行标准化以及降维处理，得到预处理后的样本数据。
优选的，对多种工况下的试验数据进行标准化以及降维处理，得到预处理后的样本数据包括：对多种工况下的试验数据进行标准化以及采用主成分分析方法进行降维处理，得到预处理后的样本数据。
根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。
应用本发明的技术方案，利用粒子群优化(PSO)算法对BP神经网络模型进行优化，提前预测卫星接收机长时间运行质量的变化趋势，从而根据预测的质量趋势对卫星接收机进行事后排查，尽早发现并消除其影响正常运行状态的质量异常因素，提高了卫星接收机的可靠性。本发明的方法能够在一定程度上降低卫星接收机长时间运行时产生故障时对大量的设计人员依赖性，对于卫星接收机长时间运行的质量预测精度及提高其运行状态的可靠性有着重要意义。
附图说明
所包括的附图用来提供对本发明实施例的进一步的理解，其构成了说明书的一部分，用于例示本发明的实施例，并与文字描述一起来阐释本发明的原理。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了根据本发明的一种实施例提供的一种数据驱动的卫星接收机故障预测方法的流程图；
图2示出了根据本发明的一种实施例提供的BP神经网络模型结构示意图。
具体实施方式
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。下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
如图1所示，本发明提供了一种数据驱动的卫星接收机故障预测方法，所述方法包括：
S10、采集卫星接收机在多种工况下的试验数据；
S20、对多种工况下的试验数据进行预处理，得到预处理后的样本数据，并将预处理后的样本数据随机分为训练样本集和测试样本集；
S30、根据训练样本集建立BP神经网络模型；
S40、对粒子群优化算法中的参数进行初始化；
S50、利用粒子群优化算法对BP神经网络模型进行优化，得到PSO-BP故障预测模型；
S60、将测试样本集导入PSO-BP故障预测模型，对卫星接收机的故障进行预测。
本发明利用粒子群优化(PSO)算法对BP神经网络模型进行优化，提前预测卫星接收机长时间运行质量的变化趋势，从而根据预测的质量趋势对卫星接收机进行事后排查，尽早发现并消除其影响正常运行状态的质量异常因素，提高了卫星接收机的可靠性。本发明的方法能够在一定程度上降低卫星接收机长时间运行时产生故障时对大量的设计人员依赖性，对于卫星接收机长时间运行的质量预测精度及提高其运行状态的可靠性有着重要意义。
传统的BP神经网络模型具有并行性高、容错性好、学习能力强等优点，可以根据卫星接收机训练样本数据给出已知输出和实际输出的误差值来调节模型参数，使得卫星接收机训练样本数据任意输入都有所期望的输出。但是BP神经网络模型存在着学习效率低下、收敛速度慢和易于陷入局部极小状态。
因此，本发明针对BP神经网络模型的缺点，采用粒子群优化算法对BP神经网络模型的结构进行优化，得到PSO-BP故障预测模型，从而提高模型预测精度和避免模型易于陷入局部绩效状态。
根据本发明的一种实施例，在本发明的S10中，卫星接收机的试验数据包括卫星位置、卫星速度、伪距、伪距率、钟差、钟漂、帧计数、功率字和载噪比。
根据本发明的一种实施例，在本发明的S20中，对多种工况下的试验数据进行预处理，得到预处理后的样本数据包括：对多种工况下的试验数据进行标准化以及降维处理，得到预处理后的样本数据。
进一步地，标准化处理可以采用数据缩放处理，将每列指标缩放到[0,1]之间，便于后续计算和提高模型预测精确度。
再进一步地，降维处理可以采用主成分分析方法对试验数据进行降维处理，从而避免由于卫星接收机试验数据维度高导致模型计算复杂，提高了模型计算速度及预测准确率，消除了数据的孤立点、噪声以及降低数据之间的自关联性。例如，可以将m维数据降维到n维数据(n<m)。
在本实施例中，训练样本集和测试样本集中样本数据的比例可设置为7:3。
根据本发明的一种实施例，在本发明的S30中，根据训练样本集建立BP神经网络模型包括：
S31、根据训练样本集对BP神经网络的拓扑结构进行初始化；
S32、利用反相传播调整BP神经网络的权值和阈值，以建立BP神经网络模型。
其中，在本发明的S31中，根据训练样本集对BP神经网络的拓扑结构进行初始化包括：根据训练样本集对BP神经网络的拓扑结构的输入节点数、隐藏节点数和输出节点数进行初始化。在本发明的S32中，利用反相传播不断调整BP神经网络的权值和阈值，得到误差较小的最佳网络拓扑结构，从而作为最终建立的BP神经网络模型。
如图2所示，BP神经网络分为输入层、隐藏层和输出层，BP神经网络的输入层公式如下：
zo＝f(x1，x1，...，xn)；
式中，zo为BP神经网络所需要预测的数据值，x1，x1，...，xn为BP神经网络输入层所输入的n个数据值，f(x)为激励函数，
在本实施例中，隐藏层节点数m、输入层节点数n、输出层节点数q的计算公式如下：
式中，a为常数，a的区间为[1,10]。
为避免模型过于复杂，可以将BP神经网络的隐藏层数设为1。
BP神经网络的隐藏层公式如下：
yj＝f(∑jωijxi-θj)；
式中，yj为隐藏层的输出，j＝1,2，…，m，f(x)为激励函数，
xi为隐藏层的输入，i＝1,2,…,n，ωij为隐藏层的权值，θj为隐藏层的阈值。
BP神经网络的输出层公式如下：
zk＝f(∑kOjkyj-θk)；
式中，zk为输出层的输出，k＝1,2，…，p，f(x)为激励函数，
yj为输出层的输入，j＝1,2,…,m，Ojk为输出层的权值，θk为输出层的阈值。
在确定好BP神经网络结构后，根据输入层节点数n、隐藏层节点数m、输出层节点数q得到BP神经网络的连接权值和阈值总数A，再根据BP神经网络的连接权值和阈值总数A确定粒子数量。
其中，通过下式得到BP神经网络的连接权值和阈值总数A：
A＝nm+mq+m+q。
根据本发明的一种实施例，在本发明的S40中，所述粒子群优化算法中初始化的参数包括：惯性权重、局部学习因子、全局学习因子、惯性权重初始最大值和惯性权重初始最小值。
其中，粒子群优化算法的最大迭代次数可以取100次，初始化粒子群位置和速度的取值范围均为[-1,1]，局部学习因子c1＝2，全局学习因子c2＝2。
根据本发明的一种实施例，在本发明的S50中，利用粒子群优化算法对BP神经网络模型进行优化，得到PSO-BP故障预测模型包括：
S51、将BP神经网络模型的误差函数作为粒子群优化算法中的适应度函数，以使BP神经网络模型的输出值近似于实际值，减少网络模型的训练误差；
S52、根据适应度函数获取每个粒子的适应度值；
S53、根据每个粒子的适应度值对每个粒子的个体极值和全局极值进行更新，得到每个粒子更新后的个体极值和全局极值；
S54、根据每个粒子更新后的个体极值和全局极值对对应粒子的速度和位置进行更新，以获取每个粒子的最优解和粒子群的全局最优解，从而实现对BP神经网络模型的权值和阈值的优化，得到PSO-BP故障预测模型。
其中，在本发明的S51中，通过下式得到粒子群优化算法中的适应度函数：
式中，E是适应度函数，N是训练样本集中训练样本的数量，xi是卫星接收机第i行训练样本表现好坏的实际输出，x′i是卫星接收机第i行训练样本预测的期望值。
根据本发明的一种实施例，在本发明的S53中，根据每个粒子的适应度值对每个粒子的个体极值和全局极值进行更新，得到每个粒子更新后的个体极值和全局极值包括：
S531、将当前粒子的适应度值与个体极值进行比较；
S532、在当前粒子的适应度值大于个体极值的情况下，将当前粒子的适应度值作为更新后的个体极值；
S533、在当前粒子的适应度值小于或等于个体极值的情况下，将当前粒子的个体极值作为更新后的个体极值；
S534、将当前粒子的适应度值与全局极值进行比较；
S535、在当前粒子的适应度值大于全局极值的情况下，将当前粒子的适应度值作为更新后的全局极值；
S536、在当前粒子的适应度值小于或等于全局极值的情况下，将当前粒子的全局极值作为更新后的全局极值；
S537、遍历粒子群中的所有粒子，以得到每个粒子更新后的个体极值和全局极值。
根据本发明的一种实施例，在本发明的S54中，通过下式对每个粒子的速度进行更新：
式中，
为第i个粒子更新后的速度，
为第i个粒子的速度，ω为惯性权重，c1为局部学习因子，c2为全局学习因子，r1、r2均为区间[-1,1]内的随机数，
为第i个粒子的个体极值，
为第i个粒子的全局极值，
是第i个粒子的位置。
根据本发明的一种实施例，在本发明的S54中，通过下式对每个粒子的位置进行更新：
式中，
是第i个粒子更新后的位置。
在本发明中，在将测试样本集导入PSO-BP故障预测模型之后，所述方法还包括：对PSO-BP故障预测模型进行验证。在验证合格的情况下，对卫星接收机的故障进行预测。
其中，对PSO-BP故障预测模型进行验证包括：获取测试样本数据的均方根误差MSE，在均方根误差小于预设值的情况下，判断验证合格。
具体地，通过下式获取测试样本数据的均方根误差MSE：
下面通过举例对本发明的方法进行具体说明。
在本实施例中，分别采用传统的BP神经网络模型和本发明的PSO-BP故障预测模型对卫星接收机进行5次故障预测，具体实验结果如表1所示。
表1传统的BP神经网络与PSO-BP神经网络预测精度5次实验结果
如表1所示，将测试样本代入经过PSO优化的BP神经网络模型，其5次实验预测精度较高，满足预测要求。
根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一所述方法。
为了便于描述，在这里可以使用空间相对术语，如“在……之上”、“在……上方”、“在……上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其他器件或构造之下”。因而，示例性术语“在……上方”可以包括“在……上方”和“在……下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
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 (10)
1.一种数据驱动的卫星接收机故障预测方法，其特征在于，所述方法包括：
采集卫星接收机在多种工况下的试验数据；
对多种工况下的试验数据进行预处理，得到预处理后的样本数据，并将预处理后的样本数据随机分为训练样本集和测试样本集；
根据训练样本集建立BP神经网络模型；
对粒子群优化算法中的参数进行初始化；
利用粒子群优化算法对BP神经网络模型进行优化，得到PSO-BP故障预测模型；
将测试样本集导入PSO-BP故障预测模型，对卫星接收机的故障进行预测。
2.根据权利要求1所述的方法，其特征在于，利用粒子群优化算法对BP神经网络模型进行优化，得到PSO-BP故障预测模型包括：
S51、将BP神经网络模型的误差函数作为粒子群优化算法中的适应度函数；
S52、根据适应度函数获取每个粒子的适应度值；
S53、根据每个粒子的适应度值对每个粒子的个体极值和全局极值进行更新，得到每个粒子更新后的个体极值和全局极值；
S54、根据每个粒子更新后的个体极值和全局极值对对应粒子的速度和位置进行更新；
S55、判断是否达到预设迭代次数，若是，获取每个粒子的最优解和粒子群的全局最优解，从而实现对BP神经网络模型的权值和阈值的优化，得到PSO-BP故障预测模型；否则，返回S52。
3.根据权利要求2所述的方法，其特征在于，根据每个粒子的适应度值对每个粒子的个体极值和全局极值进行更新，得到每个粒子更新后的个体极值和全局极值包括：
将当前粒子的适应度值与个体极值进行比较；
在当前粒子的适应度值大于个体极值的情况下，将当前粒子的适应度值作为更新后的个体极值；
在当前粒子的适应度值小于或等于个体极值的情况下，将当前粒子的个体极值作为更新后的个体极值；
将当前粒子的适应度值与全局极值进行比较；
在当前粒子的适应度值大于全局极值的情况下，将当前粒子的适应度值作为更新后的全局极值；
在当前粒子的适应度值小于或等于全局极值的情况下，将当前粒子的全局极值作为更新后的全局极值；
遍历粒子群中的所有粒子，以得到每个粒子更新后的个体极值和全局极值。
4.根据权利要求2或3所述的方法，其特征在于，通过下式对每个粒子的速度进行更新：
式中，
为第i个粒子更新后的速度，
为第i个粒子的速度，ω为惯性权重，c1为局部学习因子，c2为全局学习因子，r1、r2均为区间[-1,1]内的随机数，
为第i个粒子的个体极值，
为第i个粒子的全局极值，
是第i个粒子的位置。
5.根据权利要求2-4中任一项所述的方法，其特征在于，通过下式对每个粒子的位置进行更新：
式中，
是第i个粒子更新后的位置。
6.根据权利要求1所述的方法，其特征在于，根据训练样本集建立BP神经网络模型包括：
根据训练样本集对BP神经网络的拓扑结构进行初始化；
利用反相传播调整BP神经网络的权值和阈值，以建立BP神经网络模型。
7.根据权利要求1所述的方法，其特征在于，所述粒子群优化算法中初始化的参数包括：惯性权重、局部学习因子、全局学习因子、惯性权重初始最大值和惯性权重初始最小值。
8.根据权利要求1所述的方法，其特征在于，对多种工况下的试验数据进行预处理，得到预处理后的样本数据包括：对多种工况下的试验数据进行标准化以及降维处理，得到预处理后的样本数据。
9.根据权利要求8所述的方法，其特征在于，对多种工况下的试验数据进行标准化以及降维处理，得到预处理后的样本数据包括：对多种工况下的试验数据进行标准化以及采用主成分分析方法进行降维处理，得到预处理后的样本数据。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至9任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110913150.1A CN113780517A (zh) | 2021-08-10 | 2021-08-10 | 一种数据驱动的卫星接收机故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110913150.1A CN113780517A (zh) | 2021-08-10 | 2021-08-10 | 一种数据驱动的卫星接收机故障预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113780517A true CN113780517A (zh) | 2021-12-10 |
Family
ID=78837242
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110913150.1A Pending CN113780517A (zh) | 2021-08-10 | 2021-08-10 | 一种数据驱动的卫星接收机故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780517A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102759430A (zh) * | 2012-06-28 | 2012-10-31 | 北京自动化控制设备研究所 | 基于bp神经网络的谐振筒压力传感器高精度校试方法 |
| WO2016029590A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
| CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
| CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
| CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
| US20210133536A1 (en) * | 2018-10-22 | 2021-05-06 | Ennew Digital Technology Co., Ltd. | Load prediction method and apparatus based on neural network |
| US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
-
2021
- 2021-08-10 CN CN202110913150.1A patent/CN113780517A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102759430A (zh) * | 2012-06-28 | 2012-10-31 | 北京自动化控制设备研究所 | 基于bp神经网络的谐振筒压力传感器高精度校试方法 |
| WO2016029590A1 (zh) * | 2014-08-28 | 2016-03-03 | 北京交通大学 | 一种城轨列车转向架的故障预测与视情维修方法 |
| CN109145434A (zh) * | 2018-08-16 | 2019-01-04 | 北京理工大学 | 一种利用改进bp神经网络预测广播星历轨道误差的方法 |
| US20210133536A1 (en) * | 2018-10-22 | 2021-05-06 | Ennew Digital Technology Co., Ltd. | Load prediction method and apparatus based on neural network |
| CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测系统 |
| US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
| CN111709182A (zh) * | 2020-05-25 | 2020-09-25 | 温州大学 | 基于sa-pso优化的bp神经网络的电磁铁故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107231436B (zh) | 一种进行业务调度的方法和装置 | |
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN112884056A (zh) | 基于优化的lstm神经网络的污水水质预测方法 | |
| CN108363876B (zh) | 一种考虑关键故障的测试优化选择方法 | |
| CN116448419A (zh) | 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法 | |
| CN114609994B (zh) | 基于多粒度正则化重平衡增量学习的故障诊断方法及装置 | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| CN112433927A (zh) | 基于时间序列聚类和lstm的云服务器老化预测方法 | |
| CN113743011A (zh) | 一种基于pso-bp神经网络的设备寿命预测方法和系统 | |
| Li et al. | Rolling bearing fault diagnosis under variable working conditions based on joint distribution adaptation and SVM | |
| CN115051864A (zh) | 基于pca-mf-wnn的网络安全态势要素提取方法及系统 | |
| Voitcu et al. | Neural network approach for nonlinear aeroelastic analysis | |
| CN112685841B (zh) | 一种带有连接关系的结构的有限元建模、修正方法及系统 | |
| Jeong et al. | Kriging-based probabilistic method for constrained multi-objective optimization problem | |
| CN113780517A (zh) | 一种数据驱动的卫星接收机故障预测方法 | |
| Jing et al. | The optimisation of speech recognition based on convolutional neural network | |
| CN110135085B (zh) | 基于自适应核密度估计辅助粒子滤波的疲劳裂纹评估方法 | |
| Dah-Jing et al. | Neural network aided adaptive Kalman filter for GPS/INS navigation system design | |
| CN115102868A (zh) | 一种基于SOM聚类与深度自编码器的web服务QoS预测方法 | |
| CN110542748A (zh) | 一种基于知识的鲁棒型出水氨氮软测量方法 | |
| CN112231987B (zh) | 一种基于VMD与Elman神经网络的电离层预报方法 | |
| CN114567288B (zh) | 基于变分贝叶斯的分布协同非线性系统状态估计方法 | |
| CN115577290A (zh) | 一种基于深度学习的配网故障分类及源定位方法 | |
| CN114386666A (zh) | 一种基于时空相关性的风电场短期风速预测方法 | |
| CN109684771B (zh) | 基于交互式多模型的机动目标状态预测优化方法 |
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 |