CN114444279B - 基于卫星低高精度数据关联参数联合估计的响应预测方法 - Google Patents
基于卫星低高精度数据关联参数联合估计的响应预测方法 Download PDFInfo
- Publication number
- CN114444279B CN114444279B CN202210044813.5A CN202210044813A CN114444279B CN 114444279 B CN114444279 B CN 114444279B CN 202210044813 A CN202210044813 A CN 202210044813A CN 114444279 B CN114444279 B CN 114444279B
- Authority
- CN
- China
- Prior art keywords
- precision
- data
- response
- satellite
- low
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
基于卫星低高精度数据关联参数联合估计的响应预测方法,包括:获取卫星进行不同精度可靠性试验获得的可靠性试验数据;基于低精度可靠性试验数据构建低精度响应模型;基于低精度响应模型以及高精度可靠性试验数据建立高精度响应模型并确定该模型参数的验后分布;基于贝叶斯理论以及高精度响应模型得到任意应用场景影响因子数据处的高精度卫星性能响应数据后验概率密度函数,进而得到高精度卫星性能响应数据预测模型;生成大量高精度响应模型参数样本,对所述预测模型进行迭代求解,得到任意应用场景影响因子数据处的高精度卫星性能响应数据预测结果。本发明能够使得待求模型参数更加准确,提高了预测结果的精度。
Description
技术领域
本发明主要涉及到卫星可靠性试验鉴定技术领域,尤其是一种基于卫星低 高精度数据关联参数联合估计的响应预测方法。
背景技术
卫星的可靠性试验是卫星研制和列装全流程中的重点工作,由于其高可靠 性、长寿命和小子样的突出特点,卫星的试验鉴定与一般产品相比,试验成本 高昂且试验条件受限因素多,往往只能通过仿真或半实物仿真途径入手。
目前卫星可靠性试验鉴定方法,其主要思路是通过数字仿真生成不同应用 场景仿真数据,以此作为仿真试验鉴定系统的输入,记录卫星性能输出指标, 作为试验的响应变量,并以此为依据评价卫星作战效能,开展可靠性评估。
然而,针对计算机仿真试验来说,高精度的试验结果往往受限于算法复杂 度和昂贵的计算成本,不同的场景建模方法得到的数据精度也不尽相同,如何 通过综合分析不同精度试验的响应数据进而预测得到任意条件下的高精度响应 预测,并进行后续可靠性评估工作,现阶段的主要方法是引入低高精度数据间 的关联模型,基于Bayes理论融合来自不同精度试验的数据,借助多源信息之 间的修正效应,进而得到精度更高的响应预测结果,实现在低试验成本和低试 验次数下对高精度可靠性试验的等效,达到这一目的关键在于如何建立关联低 高精度数据的校准模型并求解相关参数。
然而目前对低高精度数据关联模型的分析,由于关联模型复杂造成模型参 数维度高,只能分步估计其中的模型参数,造成参数估计结果精度偏低进而影 响响应预测的结果。这是本领域技术人员亟需解决的一个技术问题。
发明内容
当同时收集到不同精度的装备可靠性试验数据时,如何构建并求解融合不 同精度数据的校准模型,进而实现预测输入变量的高精度响应,并保证响应预 测结果的准确度。本发明针对该技术问题,提出一种基于卫星低高精度数据关 联参数联合估计的响应预测方法。
为了解决上述技术问题,本发明采用的技术方案是:
基于卫星低高精度数据关联参数联合估计的响应预测方法,包括:
获取卫星进行不同精度可靠性试验获得的可靠性试验数据,并根据可靠性 试验的精度将可靠性试验数据分为低精度可靠性试验数据和高精度可靠性试验 数据,其中可靠性试验数据由卫星在不同精度可靠性试验中输入的应用场景影 响因子数据以及获得的对应精度的卫星性能响应数据组成;
基于低精度可靠性试验数据中的应用场景影响因子数据以及对应的卫星性 能响应数据构建低精度响应模型;
基于低精度响应模型以及高精度可靠性试验数据中的应用场景影响因子数 据以及对应的卫星性能响应数据建立具有校准效应的高精度响应模型,并确定 高精度响应模型参数的验后分布形式;
基于贝叶斯理论以及高精度响应模型得到任意应用场景影响因子数据处的 高精度卫星性能响应数据后验概率密度函数,进而得到任意应用场景影响因子 数据处的高精度卫星性能响应数据预测模型;
基于随机采样方法生成大量高精度响应模型参数样本,对所述高精度卫星 性能响应数据预测模型进行迭代求解,进而计算得到任意应用场景影响因子数 据处的高精度卫星性能响应数据预测结果。
进一步地,本发明中将低精度可靠性试验数据中的应用场景影响因子数据 以及对应的低精度卫星性能响应数据分别用和 表示,高精度可靠性试验数据中的应用场景影响因子数 据以及对应的高精度卫星性能响应数据分别用和 表示,其中T代表矩阵转置,n和m分别表示低精度可靠性试验数据和高精度可靠性试验数据中样本数目,表示低 精度可靠性试验数据中的第i组应用场景影响因子取值,各组应用场景影响因子 中均包含k个应用场景影响因子x1,...,xk,对应的卫星性能响应数据为 表示高精度可靠性试验数据中的第j组应用场景影响因子取 值,对应的卫星性能响应数据为
进一步地,本发明中所构建的低精度响应模型为:
进一步地,本发明中所构建的高精度响应模型为:
其中表示高精度可靠性试验数据中的第j组应用场景影响因子取值,和分别表示在低精度可靠性试验中的对应低精度卫星性能响应数据和在 高精度可靠性试验中的对应高精度卫星性能响应数据,分别代表尺 度修正参数和位置修正参数,并且分别服从高斯过程彼此之间相互独立,j=1,...,m;高斯过程的均值参数 ρ0,δ0,方差参数以及相关性参数φρ,φδ均为待求参数。
进一步地,本发明中,任意应用场景影响因子数据x0处的高精度卫星性能 响应数据后验概率密度函数为:
其中:p[yh(x0)|yh,yl,θ1,θ2,θ3]表示已知高精度响应模型参数后关于应用场景影响因子数据x0处的高精度卫星性能响应数据的条件分布;p(θ1|yl,yh)表示相关 性参数θ1的验后分布,p(θ2|yl,yh)表示相关性参数θ2的验后分布,p(θ3|yl,yh)表 示相关性参数θ3的验后分布,p(θ1,θ2|yl,yh)=p(θ1|yl,yh)p(θ2|yl,yh)。
任意应用场景影响因子数据x0处的高精度卫星性能响应数据预测模型为:
进一步地,本发明基于蒙特卡罗马尔科夫链(MCMC)抽样方法生成大量 高精度响应模型参数样本,从而将高精度卫星性能响应数据后验概率密度函数 离散化,进而计算任意应用场景影响因子数据x0处的高精度卫星性能响应数据 的预测结果。
另一方面,本发明提供一种计算机设备,包括存储器和处理器,存储器存 储有计算机程序,处理器执行计算机程序时实现所述基于卫星低高精度数据关 联参数联合估计的响应预测方法中的步骤。
另一方面,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, 计算机程序被处理器执行时实现所述基于卫星低高精度数据关联参数联合估计 的响应预测方法中的步骤。
通过上述技术方案,本发明能够产生的技术效果是:
本发明简便且精度高,能够实现均值参数,方差参数和相关性参数共同抽 样,考虑三类参数之间的相互关系,使得待求参数更加准确,提高了预测结果 的精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍,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示出的结构获得其他的附图。
图1是本发明一实施例的流程图;
图2是本发明一实施例中基于MCMC抽样方法求解高精度响应模型参数的 流程图;
图3是本发明一实施例用到的训练集数据;
图4是本发明一实施例中的预测结果示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面将以附图 及详细叙述清楚说明本发明所揭示内容的精神,任何所属技术领域技术人员在 了解本发明内容的实施例后,当可由本发明内容所教示的技术,加以改变及修 饰,其并不脱离本发明内容的精神与范围。本发明的示意性实施例及其说明用 于解释本发明,但并不作为对本发明的限定。
参照图1,本发明一实施例中提供一种基于卫星低高精度数据关联参数联合 估计的响应预测方法,包括:
(S1)获取卫星进行不同精度可靠性试验获得的可靠性试验数据,并根据可 靠性试验的精度将可靠性试验数据分为低精度可靠性试验数据和高精度可靠性 试验数据,其中可靠性试验数据由卫星在不同精度可靠性试验中输入的应用场 景影响因子数据以及获得的对应精度的卫星性能响应数据组成;
(S2)基于低精度可靠性试验数据中的应用场景影响因子数据以及对应的卫 星性能响应数据构建低精度响应模型;
(S3)基于低精度响应模型以及高精度可靠性试验数据中的应用场景影响因 子数据以及对应的卫星性能响应数据建立具有校准效应的高精度响应模型,并 确定高精度响应模型参数的验后分布形式;
(S4)基于贝叶斯理论以及高精度响应模型得到任意应用场景影响因子数据 处的高精度卫星性能响应数据后验概率密度函数,进而得到任意应用场景影响 因子数据处的高精度卫星性能响应数据预测模型;
(S5)基于随机采样方法生成大量高精度响应模型参数样本,对所述高精度 卫星性能响应数据预测模型进行迭代求解,进而计算得到任意应用场景影响因 子数据处的高精度卫星性能响应数据预测结果。
在一实施例中,将低精度可靠性试验数据中的应用场景影响因子数据以及 对应的低精度卫星性能响应数据分别用和 表示,高精度可靠性试验数据中的应用场景影响因子数 据以及对应的高精度卫星性能响应数据分别用和 表示,其中T代表矩阵转置,n和m分别表示低精度可靠性试验数据和高精度可靠性试验数据中样本数目,表示低 精度可靠性试验数据中的第i组应用场景影响因子取值,各组应用场景影响因子 中均包含k个应用场景影响因子x1,...,xk,对应的卫星性能响应数据为 表示高精度可靠性试验数据中的第j组应用场景影响因子取 值,对应的卫星性能响应数据为
本领域技术人员可以理解,设置应用场景影响因子数据,对卫星进行不同 精度的可靠性试验,将得到不同精度的卫星性能响应数据。本发明中卫星进行 的可靠性试验可以是计算机仿真试验或者计算机参与的半实物仿真试验。无论 是那种采用何种可靠性试验,受限于可靠性试验条件的精度,如传感器检测精 度、计算机算法精度等,设置同样的应用场景影响因子数据,不同精度可靠性 试验条件下将获得不同精度的卫星性能响应数据。据此,将可靠性试验数据分 为低精度可靠性试验数据和高精度可靠性试验数据。
本发明中各组应用场景影响因子中均包含k个应用场景影响因子x1,...,xk, 其中所述的应用场景影响因子包括多种,包括但不限于光照条件参数、波谱反 射参数、遥感器位置参数、温度以及反射辐射参数等。卫星性能响应数据为对 应各组应用场景影响因子下的卫星性能参数,如卫星响应时间。可以理解,本 领域技术人员可以根据试验需求,选择其他参数作为应用场景影响因子以及卫 星性能响应数据。
在一实施例中,(S2)中,构建如下低精度响应模型:
其中表示低精度可靠性试验数据中的应用场景影响因子 第i组取值的响应函数,i=1,…,n,表示低精度响应模型中的 回归系数,k为应用场景影响因子的个数,是服从高斯过程的 误差项,其中高斯过程的均值为0,方差为相关性参数是由k 个参数组成的向量。
进一步根据上述内容,可得低精度可靠性试验中的低精度卫星性能响应数据 yl的概率密度函数为:
分别表示低精度可靠性试验中的低精度卫星性能响应数据yl的第i个和第f个低精度卫星性能响应数据,为相应的低精度可靠性试验数据中 的第i组和第f组应用场景影响因子的取值,为低精度响应模型中的高斯过程 相关性参数,i=1,...,n,f=1,...,n,e=1,...,k。
在一实施例中,(S3)中,构建如下高精度响应模型:
其中表示高精度可靠性试验数据中的第j组应用场景影响因子取值,和分别表示对应的低精度可靠性试验中的卫星性能响应数据以及对 应的高精度可靠性试验中的卫星性能响应数据,分别代表尺度修正 参数和位置修正参数,并且分别服从高斯过程彼此 之间相互独立,j=1,...,m。高斯过程的均值参数ρ0,δ0, 方差参数以及相关性参数均为待求参数,且 相关性参数也都包括k个参数。
进一步根据上述内容,可得高精度可靠性试验中的高精度卫星性能响应数据 yh的概率密度函数为:
进一步地,在一实施例中,将高精度响应模型参数分为三组,分别为均值 参数θ1=(βl,ρ0,δ0),方差参数和相关性参数θ3=(φl,φρ,φδ),本领 域技术人员可根据自身经验以及现有技术确定各高精度响应模型参数的验后分 布形式。
其中i=1,...,m,N(u,Σ)表示多维正态分布,G(a,b)表示Gamma分布,IG(α,γ)表示逆Gamma分布,这些先验分布中的对应参数如αl,γl,αρ,γρ,αδ,γδ,ul,vl, uρ,vρ,uδ,vδ,uδ,vδ,aρ,bρ,aδ,bδ均称之为超参数,在实际应用中需结合具体 案例数据确定其取值,均为预先给定的数值。
π(θ1,θ2,θ3|yl,yh)∝π(θ1,θ2,θ3)f(yl)f(yh)
其中π(θ1,θ2,θ3)表示验前分布,f(yl),f(yh)分别表示低精度响应数据、高精度 响应数据的概率密度函数;
表示在均值参数θ1=(βl,ρ0,δ0)、方差参数和相关性参数 θ3=(φl,φρ,φδ)中,除变量βl外的其他参数均已知。同理,分别表示在均值参数θ1=(βl,ρ0,δ0)、方差参数和相关性参数 θ3=(φl,φρ,φδ)中,除变量ρ0、δ0、外的其他参数均已知。
相关性参数θ3的验后分布为:
其中π(θ3)即为相关性参数θ3的验前分布,具体为
在一实施例中,依据Bayes理论,任意应用场景影响因子数据x0处的高精 度卫星性能响应数据yh(x0)的后验概率密度函数为:
其中p[yh(x0)|yh,yl,θ1,θ2,θ3]表示已知高精度响应模型参数后关于应用场景影响因子数据x0处的高精度卫星性能响应数据的条件分布,p[θ1,θ2,θ3|yh,yl]表示 三类模型参数θ1,θ2,θ3的验后分布,因模型参数间相互独立,所以可表示为:
p[θ1,θ2,θ3|yh,yl]=p(θ1,θ2|yl,yh)p(θ3|yl,yh)
相应地,将任意应用场景影响因子数据x0处的高精度卫星性能响应数据 yh(x0)的后验概率密度函数表示为:
其中:p(θ1|yl,yh)表示相关性参数θ1的验后分布,p(θ2|yl,yh)表示相关性参数θ2的验后分布,p(θ3|yl,yh)表示相关性参数θ3的验后分布, p(θ1,θ2|yl,yh)=p(θ1|yl,yh)p(θ2|yl,yh)。
于是,构建任意应用场景影响因子数据x0处的高精度卫星性能响应数据预 测模型为:
在一实施例中,基于MCMC抽样方法生成大量高精度响应模型参数样本, 从而将高精度卫星性能响应数据后验概率密度函数离散化,进而计算任意应用 场景影响因子数据x0处的高精度卫星性能响应数据的预测结果。
运用统计抽样的思想预测高精度卫星性能响应数据。基于大量高精度响应 模型参数样本迭代计算,对上述高精度卫星性能响应数据预测模型中的连续积 分进行离散化处理,对高精度卫星性能响应数据的后验概率密度函数进行近似, 基本思路如下:
ii.通过连续积分离散化采样近似得到高精度响应的预测结果
其中E[yh(x0)|yh,yl,θ1,θ2,θ3]为应用场景影响因子数据x0处的高精度卫星性能响应数据的期望值。
可以理解,上述步骤i中生成N组高精度响应模型参数样本具体过程不限, 本领域技术人员可采用任何本领域的现有方法实现。
在一实施例中,步骤i中涉及到的对待求高精度响应模型参数参数联合分布 的抽样方法包括M-H(Metropolis-Hasting)抽样方法和Gibbs抽样方法两部分。首 先从先验分布生成各参数初值,记作利用Gibbs算法从已推导的全 条件概率密度函数生成θ1,θ2随机样本针对形式复杂、包含多种分布 形式在内的抽样目标函数p(θ3|yl,yh),设定相关性参数θ3的验前分布为π(θ3), 采用M-H方法对抽样目标函数p(θ3|yl,yh)抽样,得到随机样本,当其满足转移 概率条件时,记作一次成功抽样重复这样的迭代操作,得到大量服从验 后分布p[θ1,θ2,θ3|yh,yl]的模型参数样本N为人为设 定的采样算法迭代次数。具体实施步骤如图2所示,其中利用Gibbs算法从已推 导的全条件概率密度函数生成θ1,θ2随机样本时可具体利用反函数法。利 用M-H方法对抽样目标函数p(θ3|yl,yh)抽样时,通过比较候选样本的概率 大小进行取舍来生成。
在一实施例中,步骤ii中为充分考虑预测高精度卫星性能响应数据值中的 不确定性以及误差项,本发明基于贝叶斯思想,从统计分布角度对高精度高精 度卫星性能响应数据值进行预测,具体如下:
首先将p[yh(x0)|yh,yl]改写为两种已知分布的分数形式,
其分子和分母服从分布形式分别为:
则p[yh(x0)|yh,yl]服从条件正态分布,有:
利用条件正态分布的均值
可得应用场景仿真输入数据x0对应的高精度响应值yh(x0)的期望 E[yh(x0)|yh,yl,θ1,θ2,θ3]。
在本发明一实施例中,以光学遥感卫星为例,采用四维输入向量的Park方 程,作为本实例中的低精度与高精度响应数据集合生成器,本实例考虑4个应 用场景影响因子x1,x2,x3,x4,分别表示模拟太空目标的反射辐射强度、发射辐射 强度、环境温度和遥感器观测角,通过标准化处理,(x1,x2,x3,x4)∈[0,]14。 yh(x1,x2,x3,x4)和yl(x1,x2,x3,x4)分别代表高精度仿真试验和低精度仿真试验下 的卫星成像输出的数据处理时间,即本实例将卫星成像输出的数据处理时间作 为卫星性能响应数据。随机生成36组低精度卫星性能响应数据和高精度卫星性 能响应数据,前24组数据作为训练集计算模型参数,第25~36组数据作为测试 集用作预测分析,以验证发明有效性,参见图3是本实施例用到的训练集数据。
设置验前分布超参数值,从而给出表1中所示的验前分布。
表1模型参数的验前分布
再结合训练集中的低精度和高精度试验数据,确定各高精度响应模型参数的验后分布形式。
计算求得测试集的高精度响应估计值并记录。
重复上述过程5000次,求得高精度响应值结果为:
(3.4891,16.6666,1.0463,1.6670,18.4871,10.0286,10.5354,5.8977,7.9475,17.012,4.44 92,7.9768)T,结合测试集高精度响应真实值 (3.5853,16.4915,0.9109,1.9408,18.5135,10.5479,10.5841,5.8976,7.9321,16.8550,4.2 508,7.9841)T作对比,预测相对误差为6.27%,均方误差(MSE)为0.3662,参见图4 为本实例的预测结果情况图。
通过以上实例可知,利用本发明所提出的基于卫星低高精度数据关联参数 联合估计的响应预测方法,既能够降低试验成本,简化预测模型求解步骤,创 新性地实现了对具有不同统计特性的模型参数联合抽样,同时能够预测输入变 量处的高精度响应,提高可靠性试验可信度。
在本一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,。 该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。 其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储 器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、 计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机 程序的运行提供环境。该计算机设备的数据库用于存储样本数据。该计算机设 备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执 行时以实现上述基于卫星低高精度数据关联参数联合估计的响应预测方法的步 骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程 序,计算机程序被处理器执行时实现上述实施例中基于卫星低高精度数据关联 参数联合估计的响应预测方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程, 是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于 一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述 各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、 存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。 非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可 包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限, RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步 DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM (ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus) 直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器 总线动态RAM(RDRAM)等。
以上所述仅为本发明的优选的实施例而已,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.基于卫星低高精度数据关联参数联合估计的响应预测方法,其特征在于,包括:
获取卫星进行不同精度可靠性试验获得的可靠性试验数据,并根据可靠性试验的精度将可靠性试验数据分为低精度可靠性试验数据和高精度可靠性试验数据,其中可靠性试验数据由卫星在不同精度可靠性试验中输入的应用场景影响因子数据以及获得的对应精度的卫星性能响应数据组成;
基于低精度可靠性试验数据中的应用场景影响因子数据以及对应的卫星性能响应数据构建低精度响应模型;
基于低精度响应模型以及高精度可靠性试验数据中的应用场景影响因子数据以及对应的卫星性能响应数据建立具有校准效应的高精度响应模型,并确定高精度响应模型参数的验后分布形式;
基于贝叶斯理论以及高精度响应模型得到任意应用场景影响因子数据处的高精度卫星性能响应数据后验概率密度函数,进而得到任意应用场景影响因子数据处的高精度卫星性能响应数据预测模型;
基于随机采样方法生成大量高精度响应模型参数样本,对所述高精度卫星性能响应数据预测模型进行迭代求解,进而计算得到任意应用场景影响因子数据处的高精度卫星性能响应数据预测结果。
5.根据权利要求4所述的基于卫星低高精度数据关联参数联合估计的响应预测方法,其特征在于,高精度响应模型参数包括均值参数θ1,方差参数θ2和相关性参数θ3,确定各高精度响应模型参数的验后分布形式。
9.一种计算机设备,包括存储器和处理器,存储器存储有计算机程序,其特征在于:处理器执行计算机程序时实现权利要求1至8中任意一项所述基于卫星低高精度数据关联参数联合估计的响应预测方法中的步骤。
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:计算机程序被处理器执行时实现权利要求1至8中任意一项所述基于卫星低高精度数据关联参数联合估计的响应预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044813.5A CN114444279B (zh) | 2022-01-14 | 2022-01-14 | 基于卫星低高精度数据关联参数联合估计的响应预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210044813.5A CN114444279B (zh) | 2022-01-14 | 2022-01-14 | 基于卫星低高精度数据关联参数联合估计的响应预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114444279A CN114444279A (zh) | 2022-05-06 |
CN114444279B true CN114444279B (zh) | 2022-12-16 |
Family
ID=81367835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210044813.5A Active CN114444279B (zh) | 2022-01-14 | 2022-01-14 | 基于卫星低高精度数据关联参数联合估计的响应预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444279B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969320A (zh) * | 2010-10-21 | 2011-02-09 | 航天恒星科技有限公司 | 一种卫星搜救信号的时间估计方法 |
JP2013195511A (ja) * | 2012-03-16 | 2013-09-30 | Nippon Telegr & Teleph Corp <Ntt> | スペクトル推定装置、その方法及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2544324A1 (en) * | 2005-06-10 | 2006-12-10 | Unicru, Inc. | Employee selection via adaptive assessment |
EP1986016A1 (en) * | 2007-04-25 | 2008-10-29 | Saab Ab | Device and method for controlling a satellite tracking antenna |
US8749630B2 (en) * | 2010-05-13 | 2014-06-10 | Ecole Polytechnique Federale De Lausanne (Epfl) | Method and system for automatic objects localization |
JP5991317B2 (ja) * | 2011-06-24 | 2016-09-14 | 日本電気株式会社 | 情報処理システム、ネットワーク構造学習装置、リンク強度予測装置、リンク強度予測方法およびプログラム |
CN106291645B (zh) * | 2016-07-19 | 2018-08-21 | 东南大学 | 适于高维gnss/ins深耦合的容积卡尔曼滤波方法 |
CN106953866B (zh) * | 2017-03-29 | 2019-07-23 | 千寻位置网络有限公司 | 提供高精度定位服务的方法及系统、服务终端 |
-
2022
- 2022-01-14 CN CN202210044813.5A patent/CN114444279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101969320A (zh) * | 2010-10-21 | 2011-02-09 | 航天恒星科技有限公司 | 一种卫星搜救信号的时间估计方法 |
JP2013195511A (ja) * | 2012-03-16 | 2013-09-30 | Nippon Telegr & Teleph Corp <Ntt> | スペクトル推定装置、その方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN114444279A (zh) | 2022-05-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu | Jointly robust prior for Gaussian stochastic process in emulation, calibration and variable selection | |
EP3716160A1 (en) | Learning parameters of a probabilistic model comprising gaussian processes | |
Hills et al. | Statistical validation of engineering and scientific models: validation experiments to application | |
Li et al. | Approximating cross-validatory predictive evaluation in Bayesian latent variable models with integrated IS and WAIC | |
CN114781272A (zh) | 碳排放量预测方法、装置、设备及存储介质 | |
US11416007B2 (en) | Computer-implemented method and system for evaluating uncertainty in trajectory prediction | |
Brastein et al. | Analysing uncertainty in parameter estimation and prediction for grey-box building thermal behaviour models | |
Attia et al. | A Hybrid Monte‐Carlo sampling smoother for four‐dimensional data assimilation | |
Nott et al. | Approximation of Bayesian predictive p-values with regression ABC | |
CN111104644A (zh) | 可靠性评估方法、装置、计算机设备和存储介质 | |
Schälte et al. | Efficient exact inference for dynamical systems with noisy measurements using sequential approximate Bayesian computation | |
CN116822214A (zh) | 一种基于异方差高斯过程回归的多可信度数据融合方法 | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
CN114444279B (zh) | 基于卫星低高精度数据关联参数联合估计的响应预测方法 | |
CN115186486A (zh) | 导弹低高精度性能数据的独立融合建模及响应预测方法 | |
CN114781731B (zh) | 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统 | |
Evans et al. | Measuring statistical evidence and multiple testing | |
Giovanis et al. | Imprecise subset simulation | |
Lütkepohl et al. | Partial identification of heteroskedastic structural vars: Theory and bayesian inference | |
EP3913547A1 (en) | Modelling input-output relation of computer-controlled entity | |
Akhare et al. | Diffhybrid-uq: uncertainty quantification for differentiable hybrid neural modeling | |
Nilsen | Examining the Effects of Implementing Data-Driven Uncertainty in Cost Estimating Models | |
Collins et al. | Bayesian Interval Estimation in a Non-Homogeneous Poisson Process with Delayed S-Shaped Intensity Function | |
Valeriano et al. | Likelihood‐based inference for spatiotemporal data with censored and missing responses | |
CN116541726B (zh) | 用于植被覆盖度估算的样本量确定方法、装置及设备 |
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 |