CN114330104A - 一种航天器在轨空间环境异常风险预测方法 - Google Patents
一种航天器在轨空间环境异常风险预测方法 Download PDFInfo
- Publication number
- CN114330104A CN114330104A CN202111492467.9A CN202111492467A CN114330104A CN 114330104 A CN114330104 A CN 114330104A CN 202111492467 A CN202111492467 A CN 202111492467A CN 114330104 A CN114330104 A CN 114330104A
- Authority
- CN
- China
- Prior art keywords
- spacecraft
- space environment
- model
- abnormal
- data
- 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
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种航天器在轨空间环境异常风险预测方法,构建多空间环境因素与航天器异常因果分析及关联性模型,包括如下部分:(1)、航天器异常数据库及空间环境数据库的构建与处理;(2)、构建空间环境因素与航天器异常因果模型;(3)、构建空间环境因素与航天器异常的关联性模型;(4)、基于空间环境数据的航天器在轨风险预测。通过上述方式,本发明利用空间环境数据自相关模型、空间环境扰动提取模型扩充空间环境数据信息,再通过航天器异常数据和空间环境数据的关联性耦合模型,实现基于空间环境数据的航天器在轨风险预测。
Description
技术领域
本发明涉及航天器空间环境数据信息处理技术领域,尤其是一种航天器在轨空间环境异常风险预测方法。
背景技术
国外开展了大量的空间环境效应的探测,并针对空间环境效应与卫星在轨异常关联性的分析以及空间天气影响航天器的预报预警开展了相应研究。 NASARP-1390报告《归因于空间环境的航天器故障与异常统计分析》统计分析了1974年至1994年105个由空间环境引起的航天器故障和异常案例的具体原因。美国NOAA的SEAES-GEO专家系统可以对4种空间环境效应风险进行预报预警,但目前仍采用传统的线性表达及简单参数,对航天器在轨实际的适配性不强,应用具有一定的局限性。
因此,针对上述现有技术中出现的问题,已成为亟待解决的技术问题。
发明内容
本发明的目的旨在提供一种航天器在轨空间环境异常风险预测方法,利用空间环境数据自相关模型、空间环境扰动提取模型扩充空间环境数据信息,再通过航天器异常数据和空间环境数据的关联性耦合模型,实现基于空间环境数据的航天器在轨风险预测。
为解决上述技术问题,本发明提供的技术方案是:一种航天器在轨空间环境异常风险预测方法,构建多空间环境因素与航天器异常因果分析及关联性模型,包括如下部分:
(1)、航天器异常数据库及空间环境数据库的构建与处理;
对航天器异常数据库的构建与处理包括:
1)、选取具有同一轨道环境、连续时间区间内的航天器异常事件,在排除已知的设计及其他已知因素异常后,构建航天器异常数据库;
2)、选取合适的时间特征值δt,将t0时刻的异常数据延展至[t0-δt,t0],基于tanh、Sigmoid等函数构建取值连续且取值区间为[0,1]的航天器异常数据库;
(2)、构建空间环境因素与航天器异常因果模型;
(3)、构建空间环境因素与航天器异常的关联性模型;
(4)、基于空间环境数据的航天器在轨风险预测。
本发明采用上述技术方案,利用空间环境数据自相关模型,空间环境扰动模型扩充空间环境数据信息,再通过航天器异常数据和空间环境数据的关联性耦合模型,实现基于空间环境数据的航天器在轨风险预测。本方法对航天器在轨运管中关于空间天气和空间环境的影响进行定性量化,相比已有的方法更加准确,且具有更灵活和普适的自动构建生成关联性模型等优点。
进一步,对空间环境数据库的构建与处理包括:
1)、选择与航天器异常数据库对应时间区间的连续环境因素,以高能电子通量、地磁指数AE、太阳活动指数F10.7、重离子LET、高能质子通量、太阳风、行星际磁场等作为多种环境因素构建空间环境数据库;
2)、对空间环境融合数据进行处理,以增加空间环境数据的信息量,通过白谱法、数据平滑等谱分析方法提取每种空间环境的扰动因子以及周期变换因子,最终形成多原始空间环境数据、空间环境扰动数据、空间环境周期数据构成的空间环境融合数据库。
进一步,构建空间环境因素与航天器异常因果模型包括:
1)、构建环境与异常合并数据库;2)、计算类Granger因果时滞值;3)、基于时滞值的因子筛选及p值检验;4)、构建类Granger因果有向图。
进一步,构建空间环境因素与航天器异常因果模型的方法具体为:
1)、对异常数据库和环境数据库以时间标记为统一依据进行合并;
2)、选区合适的时间值δt,将t0时刻的空间环境数据延展至[t0-δt, t0]区间,并进行标准化处理使其满足取值区间[0,1];
3)、基于皮尔森相关系数、t检验、AIC、BIC等指标,计算合并数据库中任意两个因子X和Y间的类Granger因果时滞值;
4)、遍历上述数据库各项因子并将因果结果构建类Granger因果有向图。
在实际构成过程中,可以裁剪不需要的因子,并形成上述说明的子图,非必要可以不遍历全部两两因子对进行因果关系构建,也可以仅针对环境与异常之间的对应关系进行因果关系分析。
进一步,构建空间环境因素与航天器异常的关联性模型包括:
1)、针对异常因子提取并筛选原因节点;2)、基于机器学习模型构建关联性模型;3)、模型训练。
进一步,构建空间环境因素与航天器异常的关联性模型具体为:
1)、针对某一具体异常因子Y提取所有因子的全部原因Xi(i∈1..N),并提取其对应的时滞值ti;
3)、开始模型训练,首先进行初步训练抽样70%数据进行因子筛选,通过p值或贡献权重筛选掉较弱关联性的因子且确保方差达到最优;随后采用k折方式,设定常数k、n,其中k>n>1,通过将时间区间[0,T]分成k份,任选其中n份作为训练集,其余作为测试集。
对于异常数据较少的情况,可以分别将有异常数据(即{Y|Y>0})与无异常数据(即{Y|Y=0})分别取不同的n值n1与n0,且k>n1>n0>1来确保训练集的均衡性。通过训练及测试集的结果可以获得选定模型的正确率、AUC、F1 分数等量化指标以及模型的参数。当结果较好(例如正确率大于0.8)时可以接受该模型,否则可以更换其他机器学习模型进行测试。最终,获得空间环境因素与典型航天器异常的关联性模型。
进一步,基于空间环境数据的航天器在轨风险预测包括:
1)、空间环境数据延展;2)、空间环境输入;3)、不同环境风险的概率生成;4)、航天器在轨异常风险评估。
进一步,基于空间环境数据的航天器在轨风险预测具体为:
1)、对环境风险Y(t0+δt)进行预测,需要选择合适特征时间δt1和δ t对空间环境融合数据库的时间区间进行延展;
2)、第一步进行后向延展,通过选取合适的时间特征值δt,将t0时刻的异常数据延展至[t0-δt1,t0]区间并且取值区间为[0,1]的函数分布;
第二步进行前向延展,基于LSTM模型、DNN模型等对空间环境融合数据库进行处理,预测下一时次的空间环境,并将预测值迭代入输入数据进行滚动预测,最终将数据延展至[t0-δt1,t0+δt]作为模型输入集;
4)、通过对比与Y的发生率关系,选取合适的判别阈值作为对应环境效应风险的评估指标,并按该卫星已在轨发生的异常与该指标的对应关系进行分级;例如:蓝色-无异常;黄色-少量异常;红色-90%以上异常;橙色-其他位于黄色和红色之间的部分。
本发明还具有如下有益效果是:本方法基于人工智能的方式,利用Granger 因果构件有向图,能够厘清多个复杂空间环境因素间的关联关系,从而建立起准确率较高的空间环境因素与航天器异常的关联性模型。基于更准确地关联性模型、实时空间环境数据以及历史在轨异常发生率,最终得到有效的航天器在轨空间环境异常风险预测。本方法能够在数据有限的情况下在虚警率和误警率之间得到近似最优的环境异常预测结果。
附图说明
图1是本发明的航天器在轨空间环境异常风险预测示意图;
图2是本发明的因果矩阵示意图;
图3是本发明的因果有向图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步的说明。
参照图1至图3所示,本发明公开一种航天器在轨空间环境异常风险预测方法,构建多空间环境因素与航天器异常因果分析及关联性模型,包括如下部分:
(1)、航天器异常数据库及空间环境数据库的构建与处理;
对航天器异常数据库的构建与处理包括:
1)、选取具有同一轨道环境、连续时间区间内的航天器异常事件,在排除已知的设计及其他已知因素异常后,构建航天器异常数据库;
2)、选取合适的时间特征值δt,将t0时刻的异常数据延展至[t0-δt,t0],基于tanh、Sigmoid等函数构建取值连续且取值区间为[0,1]的航天器异常数据库;
(2)、构建空间环境因素与航天器异常因果模型;
(3)、构建空间环境因素与航天器异常的关联性模型;
(4)、基于空间环境数据的航天器在轨风险预测。
对空间环境数据库的构建与处理包括:
1)、选择与航天器异常数据库对应时间区间的连续环境因素,以高能电子通量、地磁指数AE、太阳活动指数F10.7、重离子LET、高能质子通量、太阳风、行星际磁场等作为多种环境因素构建空间环境数据库;
2)、对空间环境融合数据进行处理,以增加空间环境数据的信息量,通过白谱法、数据平滑等谱分析方法提取每种空间环境的扰动因子以及周期变换因子,最终形成多原始空间环境数据、空间环境扰动数据、空间环境周期数据构成的空间环境融合数据库。
构建空间环境因素与航天器异常因果模型包括:
1)、构建环境与异常合并数据库;2)、计算类Granger因果时滞值;3)、基于时滞值的因子筛选及p值检验;4)、构建类Granger因果有向图。
构建空间环境因素与航天器异常因果模型的方法具体为:
1)、对异常数据库和环境数据库以时间标记为统一依据进行合并;
2)、选区合适的时间值δt,将t0时刻的空间环境数据延展至[t0-δt, t0]区间,并进行标准化处理使其满足取值区间[0,1];
3)、基于皮尔森相关系数、t检验、AIC、BIC等指标,计算合并数据库中任意两个因子X和Y间的类Granger因果时滞值;
4)、遍历上述数据库各项因子并将因果结果构建类Granger因果有向图。
构建空间环境因素与航天器异常的关联性模型包括:
1)、针对异常因子提取并筛选原因节点;2)、基于机器学习模型构建关联性模型;3)、模型训练。
构建空间环境因素与航天器异常的关联性模型具体为:
1)、针对某一具体异常因子Y提取所有因子的全部原因Xi(i∈1..N),并提取其对应的时滞值ti;
3)、开始模型训练,首先进行初步训练抽样70%数据进行因子筛选,通过 p值或贡献权重筛选掉较弱关联性的因子且确保方差达到最优;随后采用k折方式,设定常数k、n,其中k>n>1,通过将时间区间[0,T]分成k份,任选其中n份作为训练集,其余作为测试集。
基于空间环境数据的航天器在轨风险预测包括:
1)、空间环境数据延展;2)、空间环境输入;3)、不同环境风险的概率生成;4)、航天器在轨异常风险评估。
基于空间环境数据的航天器在轨风险预测具体为:
1)、对环境风险Y(t0+δt)进行预测,需要选择合适特征时间δt1和δ t对空间环境融合数据库的时间区间进行延展;
2)、第一步进行后向延展,通过选取合适的时间特征值δt,将t0时刻的异常数据延展至[t0-δt1,t0]区间并且取值区间为[0,1]的函数分布;
第二步进行前向延展,基于LSTM模型、DNN模型等对空间环境融合数据库进行处理,预测下一时次的空间环境,并将预测值迭代入输入数据进行滚动预测,最终将数据延展至[t0-δt1,t0+δt]作为模型输入集;
图1是航天器在轨空间环境异常风险预测示意图,航天器异常数据集1 为真实在轨异常数据,对异常需要排除已知人工及其他因素的数据形成环境诱发航天器异常数据库2。采用空间环境数据集3以及基于白普法、滑动平均等谱分析方法提取各空间环境的扰动信息及周期背景信息4形成空间环境融合数据库5。将环境诱发航天器异常数据库2与空间环境融合数据库5根据统一的时间标志进行合并。以统一时间序列为基准进行数据清洗,去掉缺失值和离群点,并进行插值和标准化处理,最终形成空间环境与航天器异常融合数据库。
遍历空间环境与航天器异常融合数据库,构建因子间8类Granger因果关系。具体过程为:采用皮尔森相关系数;t检验;AIC;BIC等指标,构建能够判断两者相关性的标准。
其次寻找到序列X(t-tL)与Y(t)相关性最高时对应的时间差tL,并重复抽样多次取得tL的中位数或均值作为因子X;Y的Granger因果时滞值tXY。
最后,若X与Y间的时滞值tXY若超出某一限制(例如以27天太阳自传周期或日地间粒子输运最长时间等)或检验中的p值较大结果不显著,则认为X与Y间没有显著的类Granger因果。遍历各个空间环境因子和各个航天器环境诱发异常因子,就可以生成8类Granger因果矩阵,由于对称性该矩阵只考虑其上三角部分数值。
基于8类Granger矩阵可构建因果有向图模型9。图中各元素为上述各个空间环境与航天器异常的因子。在具有因果关系的两个元素通过绘制箭头表达因果关系。例如若XY的时滞值tXY为正,则说明X为Y的因,而Y为X 的果,因此,箭头方向为X指向Y,反之若tXY为负,则箭头方向为Y指向X,箭头线上的标注时滞值确定因果的延迟时间,若tXY为0,则说明X与Y具有无时滞的关联性,可采用两段箭头的连接线连接X与Y。由此就完成了多空间环境因素与航天器异常因果模型构建。
基于因果有向图模型9,可以构建多空间环境因素与航天器异常的关联性模型生成过程。首先根据具体异常因子Y10在因果有向图模型9中提取所有箭头指向该因子的全部N个节点11、Xi(t)(i∈1..N)其对应的时滞值ti。随后构建关联性模型12。模型可采用广义线性相关模型:例如随机森林模型;极端树模型等机器学习模型作为基础模型进行构建。
随后开展关联性模型训练13。首先进行因子筛选,抽样70%数据,通过p 值或贡献权重筛选掉较弱关联性的因子且确保方差达到最优。然后采用k折方式,设定常数k,n;其中k>n>1,通过将时间区间[0,T]分成k份,任选其中n份作为训练集,其余作为测试集。通过训练及测试集的结果可以获得选定模型的正确率。当结果较好(例如正确率大于0.8)时可以接受该模型,否则可以更换其他机器学习模型进行测试。对不同异常进行模型训练,最终获得空间环境与航天器异常的关联性模型14。
基于空间环境与航天器异常的关联性模型14,输入由实时空间环境15及空间环境短时预测16组成的空间环境数据输入集17,生成风险概率值18。实时空间环境15需要输入前进行前向及后向时间延展。
第一步进行后向延展,通过选取合适的时间特征值δt,将t0时刻的异常数据延展至[t0-δt1,t0]区间并且取值区间为[0,1]的函数分布。
第二部进行向前延展,基于LSTM模型、DNN模型等对空间环境融合数据库进行处理,预测下一时次的空间环境,并将预测值迭代入输入数据进行滚动预测,最终将数据延展至[t0-δt1,t0+δt],形成空间环境数据输入集 17。
通过对比风险概率值18与历史在轨异常发生率关系19,选区合适的判别阈值作为对应环境效应风险的评估指标,并按该卫星已在轨发生的异常与该指标的对应关系进行分级:例如蓝色-无异常;红色-90%以上异常;橙色-其他位于黄色和红色之间的部分。
参照图1所示,图1示出了本发明的航天器在轨空间环境异常风险预测示意图,图中标记含义为:航天器异常数据集1,环境诱发航天器异常数据库 2,空间环境数据集3,基于白普法、滑动平均等谱分析方法提取各空间环境的扰动信息及周期背景信息4,空间环境融合数据库5,空间环境融合数据库 6,空间环境与航天器异常融合数据库7,类Granger因果矩阵8,因果有向图模型9,10为异常因子Y,11为指向该因子的全部N个节点对应的时滞值ti,关联性模型12,关联性模型训练13,空间环境与航天器异常的关联性模型14,实时空间环境15,空间环境短时预测16,空间环境数据输入集17,风险概率值18,历史在轨异常发生率关系19,异常风险等级20。
航天器异常数据集1对异常需要排除已知人工及其他因素的数据形成环境诱发航天器异常数据库2,采用空间环境数据集3结合周期背景信息4形成空间环境融合数据库5,空间环境融合数据库5加入空间环境融合数据库6形成空间环境与航天器异常融合数据库7,经过处理得到类Granger因果矩阵8 并构建生成因果有向图模型9,在因果有向图模型9中根据异常因子Y10在因果有向图模型9中提取指向该因子的全部N个节点对应的时滞值ti11,随后构建关联性模型12,并且开展关联性模型训练13,进行因子筛选和抽样后,对不同异常进行模拟训练,最终得到空间环境与航天器异常的关联性模型14,然后输入由实时空间环境15及空间环境短时预测16组成的空间环境数据输入集17,生成风险概率值18,通过对比风险概率值18与历史在轨异常发生率关系19,选区合适的判别阈值作为对应环境效应风险的评估指标,得到异常风险等级20。
综上所述,本发明已如说明书及图示内容,制成实际样品且经多次使用测试,从使用测试的效果看,可证明本发明能达到其所预期之目的,实用性价值乃无庸置疑。以上所举实施例仅用来方便举例说明本发明,并非对本发明作任何形式上的限制,任何所属技术领域中具有通常知识者,若在不脱离本发明所提技术特征的范围内,利用本发明所揭示技术内容所作出局部更动或修饰的等效实施例,并且未脱离本发明的技术特征内容,均仍属于本发明技术特征的范围内。
Claims (8)
1.一种航天器在轨空间环境异常风险预测方法,其特征在于:构建多空间环境因素与航天器异常因果分析及关联性模型,包括如下部分:
(1)、航天器异常数据库及空间环境数据库的构建与处理;
对航天器异常数据库的构建与处理包括:
1)、选取具有同一轨道环境、连续时间区间内的航天器异常事件,在排除已知的设计及其他已知因素异常后,构建航天器异常数据库;
2)、选取合适的时间特征值δt,将t0时刻的异常数据延展至[t0-δt,t0],基于tanh、Sigmoid等函数构建取值连续且取值区间为[0,1]的航天器异常数据库;
(2)、构建空间环境因素与航天器异常因果模型;
(3)、构建空间环境因素与航天器异常的关联性模型;
(4)、基于空间环境数据的航天器在轨风险预测。
2.根据权利要求1所述的航天器在轨空间环境异常风险预测方法,其特征在于:对空间环境数据库的构建与处理包括:
1)、选择与航天器异常数据库对应时间区间的连续环境因素,以高能电子通量、地磁指数AE、太阳活动指数F10.7、重离子LET、高能质子通量、太阳风、行星际磁场等作为多种环境因素构建空间环境数据库;
2)、对空间环境融合数据进行处理,以增加空间环境数据的信息量,通过白谱法、数据平滑等谱分析方法提取每种空间环境的扰动因子以及周期变换因子,最终形成多原始空间环境数据、空间环境扰动数据、空间环境周期数据构成的空间环境融合数据库。
3.根据权利要求1所述的航天器在轨空间环境异常风险预测方法,其特征在于:构建空间环境因素与航天器异常因果模型包括:
1)、构建环境与异常合并数据库;2)、计算类Granger因果时滞值;3)、基于时滞值的因子筛选及p值检验;4)、构建类Granger因果有向图。
4.根据权利要求3所述的航天器在轨空间环境异常风险预测方法,其特征在于:构建空间环境因素与航天器异常因果模型的方法具体为:
1)、对异常数据库和环境数据库以时间标记为统一依据进行合并;
2)、选区合适的时间值δt,将t0时刻的空间环境数据延展至[t0-δt,t0]区间,并进行标准化处理使其满足取值区间[0,1];
3)、基于皮尔森相关系数、t检验、AIC、BIC等指标,计算合并数据库中任意两个因子X和Y间的类Granger因果时滞值;
4)、遍历上述数据库各项因子并将因果结果构建类Granger因果有向图。
5.根据权利要求1所述的航天器在轨空间环境异常风险预测方法,其特征在于:构建空间环境因素与航天器异常的关联性模型包括:
1)、针对异常因子提取并筛选原因节点;2)、基于机器学习模型构建关联性模型;3)、模型训练。
6.根据权利要求5所述的航天器在轨空间环境异常风险预测方法,其特征在于:构建空间环境因素与航天器异常的关联性模型具体为:
1)、针对某一具体异常因子Y提取所有因子的全部原因Xi(i∈1..N),并提取其对应的时滞值ti;
2)、构建关联性模型,模型可采用广义线性相关模型、随机森林模型、极端树模型等机器学习模型作为基础模型进行构建,模型的关系构建为Y(t)↔ΣXi(t-ti)+ΣXi(t),t∈[0,T];
3)、开始模型训练,首先进行初步训练抽样70%数据进行因子筛选,通过p值或贡献权重筛选掉较弱关联性的因子且确保方差达到最优;随后采用k折方式,设定常数k、n,其中k>n>1,通过将时间区间[0,T]分成k份,任选其中n份作为训练集,其余作为测试集。
7.根据权利要求1所述的航天器在轨空间环境异常风险预测方法,其特征在于:基于空间环境数据的航天器在轨风险预测包括:
1)、空间环境数据延展;2)、空间环境输入;3)、不同环境风险的概率生成;4)、航天器在轨异常风险评估。
8.根据权利要求7所述的航天器在轨空间环境异常风险预测方法,其特征在于:基于空间环境数据的航天器在轨风险预测具体为:
1)、对环境风险Y(t0+δt)进行预测,需要选择合适特征时间δt1和δt对空间环境融合数据库的时间区间进行延展;
2)、第一步进行后向延展,通过选取合适的时间特征值δt,将t0时刻的异常数据延展至[t0-δt1,t0]区间并且取值区间为[0,1]的函数分布;
第二步进行前向延展,基于LSTM模型、DNN模型等对空间环境融合数据库进行处理,预测下一时次的空间环境,并将预测值迭代入输入数据进行滚动预测,最终将数据延展至[t0-δt1,t0+δt]作为模型输入集;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492467.9A CN114330104A (zh) | 2021-12-08 | 2021-12-08 | 一种航天器在轨空间环境异常风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492467.9A CN114330104A (zh) | 2021-12-08 | 2021-12-08 | 一种航天器在轨空间环境异常风险预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330104A true CN114330104A (zh) | 2022-04-12 |
Family
ID=81051105
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492467.9A Pending CN114330104A (zh) | 2021-12-08 | 2021-12-08 | 一种航天器在轨空间环境异常风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330104A (zh) |
-
2021
- 2021-12-08 CN CN202111492467.9A patent/CN114330104A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766583B (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
CN112506990B (zh) | 一种基于时空信息的水文数据异常检测方法 | |
CN113496104B (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN112131212A (zh) | 基于集成学习技术面向混合云场景的时序数据异常预测方法 | |
CN111814956B (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
CN106021062A (zh) | 关联故障的预测方法和系统 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN115049124A (zh) | 一种基于贝叶斯网络的深长隧道突涌水预测方法 | |
CN112632840A (zh) | 基于自适应差分进化算法与elm的电网暂态稳定评估方法 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
CN115220133A (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN115983465A (zh) | 一种基于小样本学习的冲击地压时序预测模型构建方法 | |
CN113470316A (zh) | 一种基于自编码单分类模型的泥石流监测预警方法 | |
CN115561005A (zh) | 基于eemd分解和轻量化神经网络的化工过程故障诊断方法 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN108459933B (zh) | 一种基于深度递归网络的大数据计算机系统故障检测方法 | |
CN113989550A (zh) | 基于cnn和lstm混合网络的电动汽车充电桩运行状态预测方法 | |
Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
CN104504265A (zh) | 一种在役桥梁监测信息安全评估的方法 | |
Dang et al. | seq2graph: Discovering dynamic non-linear dependencies from multivariate time series | |
CN114330104A (zh) | 一种航天器在轨空间环境异常风险预测方法 | |
CN112561203B (zh) | 一种基于聚类和gru实现水位预警的方法及系统 | |
CN115048868B (zh) | 基于时序神经网络的动态测量系统不确定度的评定方法 | |
Sofwan et al. | Early Warning System of Landslide Disaster using Generalized Neural Network Algorithm | |
CN117851802A (zh) | 一种水质预测方法、装置及计算机可读存储介质 |
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 |