CN114881090A - 基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 - Google Patents
基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 Download PDFInfo
- Publication number
- CN114881090A CN114881090A CN202210635929.6A CN202210635929A CN114881090A CN 114881090 A CN114881090 A CN 114881090A CN 202210635929 A CN202210635929 A CN 202210635929A CN 114881090 A CN114881090 A CN 114881090A
- Authority
- CN
- China
- Prior art keywords
- particle
- iteration process
- fitness function
- optimal
- current iteration
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明实施例公开了一种基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质;该方法包括:基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化;基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;在设定的迭代次数中的每一次迭代过程,分别针对每个粒子,执行以下步骤:进行优先操作交叉,并根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值;根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数;基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;对所述当前迭代过程的粒子位置和速度值进行归一化处理;当达到所述设定的迭代次数时,根据最终得到的粒子群确定遥测数据中用于进行数据补全、卫星状态预测和故障诊断的优选特征数据。
Description
技术领域
本发明实施例涉及卫星遥测数据处理技术领域,尤其涉及基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质。
背景技术
通过对卫星遥测数据进行无监督的深度神经网络训练,能够实现高分辨率的异常检测和故障诊断。然而,卫星遥测数据的类型多种多样,甚至能达到上百种之多,这些类型的遥测数据中,有些是高度相关的,比如卫星中的GPS、光纤陀螺仪、星体传感器,姿态与轨道(以下简称姿轨)控制系统可以同时获得在不同共轨系统中定义的姿态与轨道参数,但是这些姿轨参数能够通过多种线性或非线性转换而相互换算;其次,卫星上通常会设置多种传感器进行相互校准,而这些传感器所产生的遥测数据之间的数字差异也只包含一些安装和测量误差;此外,卫星中的电子和机械装置的电流、电压、功率、温度、旋转速度等遥测数据之间也存在很强的正相关。
因此,对于卫星遥测数据来说,尽管更多的数据会包含更多的耦合性含信息,但是数据种类过多将影响神经网络的训练进度。基于上述体现出的数据相关性,无需将所有卫星遥测数据均进行深度神经网络训练,只需要在保证训练效果的前提下,尽量选择较少类型的卫星遥测数据进行深度神经网络训练,从而就能够满足神经网络的训练效果且加快训练进度。
发明内容
有鉴于此,本发明实施例期望提供一种基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质;具有较低的时间成本并且能够准确地从卫星的所有遥测数据中选择最优特征,并且在利用最优特征供深度神经网络训练时,保证了神经网络的训练效果且加快了训练进度。
本发明实施例的技术方案是这样实现的:
第一方面,本发明实施例提供了一种基于改进粒子群优化的卫星遥测数据特征选择方法,所述方法包括:
基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化;
基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
在设定的迭代次数中的每一次迭代过程,分别针对每个粒子,执行以下步骤:
进行优先操作交叉,并根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值;
根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数;
基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
对所述当前迭代过程的粒子位置和速度值进行归一化处理;
当达到所述设定的迭代次数时,根据最终得到的粒子群确定遥测数据中用于进行数据补全、卫星状态预测和故障诊断的优选特征数据。
第二方面,本发明实施例提供了一种基于改进粒子群优化的卫星遥测数据特征选择装置,所述装置包括:初始化部分、第一计算部分、交叉部分、第一更新部分、第二计算部分、第二更新部分、归一化部分以及确定部分;其中,
所述初始化部分,经配置为基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化;
所述第一计算部分,经配置为基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
在设定的迭代次数中的每一次迭代过程,分别针对每个粒子:
所述交叉部分,经配置为:进行优先操作交叉;
所述第一更新部分,经配置为根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值;
所述第二计算部分,经配置为根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数;
所述第二更新部分,经配置为基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
所述归一化部分,经配置为对所述当前迭代过程的粒子位置和速度值进行归一化处理;
所述确定部分,经配置为当达到所述设定的迭代次数时,根据最终得到的粒子群确定遥测数据中用于进行数据补全、卫星状态预测和故障诊断的优选特征数据。
第三方面,本发明实施例提供了一种计算设备,所述计算设备包括:通信接口,存储器和处理器,各个组件通过总线系统耦合在一起;其中,
所述通信接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行第一方面所述基于改进粒子群优化的卫星遥测数据特征选择方法的步骤。
第四方面,本发明实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于改进粒子群优化的卫星遥测数据特征选择程序,所述基于改进粒子群优化的卫星遥测数据特征选择程序被至少一个处理器执行时实现第一方面所述基于改进粒子群优化的卫星遥测数据特征选择方法的步骤。
本发明实施例提供了一种基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质;通过基于互信息对粒子群算法的适应度函数进行优化,从而选择出具有更大差异性的遥测数据特征进行后续数据补全、卫星状态预测和故障诊断等用途的神经网络训练,从而能够降低时间成本并且能够准确地从卫星的所有遥测数据中选择最优特征,并且在利用最优特征供深度神经网络训练时,保证了神经网络的训练效果且加快了训练进度。
附图说明
图1为本发明实施例提供的一种基于改进粒子群优化的卫星遥测数据特征选择方法流程示意图;
图2为本发明实施例提供的优先操作交叉过程示意图;
图3为本发明实施例提供的粒子特征选择示意图;
图4为本发明实施例提供的特征选择前后的卫星遥测数据的互信息热图;
图5为本发明实施例提供的特征选择之前以及之后的训练集损失对比示意图;
图6为本发明实施例提供的特征选择之前以及之后的验证集损失对比示意图;
图7为本发明实施例提供的一种基于改进粒子群优化的卫星遥测数据特征选择装置组成示意图;
图8为本发明实施例提供的一种计算设备具体硬件结构示意图。
具体实施方式
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。
参见图1,其示出了本发明实施例提供的一种基于改进粒子群优化的卫星遥测数据特征选择方法,所述方法包括:
S101:基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化;
S102:基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
在设定的迭代次数中的每一次迭代过程,分别针对每个粒子,执行以下步骤:
S103:进行优先操作交叉,并根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值;
S104:根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数;
S105:基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
S106:对所述当前迭代过程的粒子位置和速度值进行归一化处理;
S107:当达到所述设定的迭代次数时,根据最终得到的粒子群确定遥测数据中用于进行数据补全、卫星状态预测和故障诊断的优选特征数据。
通过图1所示的技术方案,基于互信息对粒子群算法的适应度函数进行优化,从而选择出具有更大差异性的遥测数据特征进行后续数据补全、卫星状态预测和故障诊断等用途的神经网络训练,从而能够降低时间成本并且能够准确地从卫星的所有遥测数据中选择最优特征,并且在利用最优特征供深度神经网络训练时,保证了神经网络的训练效果且加快了训练进度。
对于图1所示出的技术方案,步骤S101和S102可以认为是粒子群算法的初始化阶段,在一些示例中,所述基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化,包括:
将基于遥测数据的原始特征集合构建的粒子群的种群记为p,并设置最大的迭代次数记为Imax,并且设定学习比率为c1和c2,设置ω表示粒子速度更新的惯性权重;将粒子群的每个粒子的位置和速度分别初始化为χi(0)和Vi(0)。
对于初始化阶段,在一些示例中,基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数,包括:
在完成上述示例所阐述的初始化阶段之后,接着就基于上述初始化数据针对每次迭代过程的每个粒子进行迭代,直至迭代到Imax。对于上述迭代过程,在一些示例中,所述进行优先操作交叉(POX,Precedence Operation Crossover),包括:
对于第t次迭代过程的第i个粒子随机选择的元素设置一随机概率pi(t);
若pi(t)≥PPOX,则第i个粒子将与随机选择的第j个粒子的相同元素进行信息交换;其中,PPOX为关于第i个粒子设定的概率阈值。
对于上述示例,具体来说,为了避免种群提前落入局部最优区域,如图2所示,本发明实施例对于当前第t次迭代过程的第i个粒子中随机选择的元素,可以通过人为设置随机概率pi(t)=rand(1),若pi(t)≥PPOX,则第i个粒子将与随机选择的第j个粒子的相同元素进行信息交换;PPOX为关于第i个粒子设定的概率阈值。在图2所示的POX过程,可以获知,两个父粒子χpi以及χpj通过POX将产生两个新的子粒子χci以及χcj,图中的上标表示粒子中的维度信息序号,需要说明的是,在本发明实施例中,粒子的每个维度对应一个特征;随后,两个父粒子将被这两个新的子粒子所替换;当替换完成后,即可在当前迭代过程对粒子位置和速度值进行更新。
在一些示例中,所述根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值,包括:
其中,ω表示粒子速度更新的惯性权重;c1和c2表示设定的学习比率;r1,r2∈(0,1)。
在一些示例中,所述根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数,包括:
将当前粒子群中位置值大于0的粒子维度确定为被选中的特征;
针对对于第t次迭代过程的第i个粒子,根据被选中的特征以及下式确定基于互信息的当前迭代过程的适应度函数Fi(t):
其中,Xi和Xj表示第i个和第j个被选中的特征;I(Xi,Xj)表示第i个和第j个被选中的特征的互信息;ns表示被选中的特征数量。
需要说明的是,当前粒子群中的粒子如图3所示,大于0,则表示第d个维度所对应的特征被选中;否则表示没有被选中。对于被选中的特征来说,互信息是对信息相关程度的一种有效衡量,它可以被视为一个随机变量所包含的关于另一个随机变量的信息量,或者一个随机变量由于对另一个随机变量的了解而产生的减少的不确定性。两个离散随机变量的互信息定义如下:
在上式中,X,Y是两个离散的随机变量;I(X;Y)是X和Y的互信息;p(x,y)表示X和Y的联合概率密度函数,p(x)与p(y)分别是X和Y的边缘概率密度函数。对于互信息来说,互信息程度越高,说明关联性越大,也就会存在越大的网络误判率,在极端情况下,两列数据相等,互信息为1。需要说明的是,上述示例中的适应度函数是基于上述互信息定义的;对于上述示例中的适应度函数中,考虑到了最小化互信息之和的目标,从而鼓励更多的特征参与到后续神经网络训练中。
在一些示例中,所述基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数,包括:
针对第t次迭代过程的第i个粒子:
若当前迭代过程的适应度函数Fi(t)小于当前迭代过程的最优局部适应度函数F_pbi(t),则将当前迭代过程的最优局部粒子更新为当前迭代过程的第i个粒子,并将当前迭代过程的最优局部适应度函数F_pbi(t)更新为当前迭代过程第i个粒子的适应度函数Fi(t);
若当前迭代过程的适应度函数Fi(t)小于当前迭代过程的最优全局适应度函数F_gbi(t),则将当前迭代过程的最优全局粒子更新为当前迭代过程的第i个粒子,并将当前迭代过程的最优全局适应度函数F_gbi(t)更新为当前迭代过程第i个粒子的适应度函数Fi(t)。
在一些示例中,所述对所述当前迭代过程的粒子位置和速度值进行归一化处理,包括:
针对第t次迭代过程的第i个粒子,对所述当前迭代过程的粒子位置和速度值进行正切归一化处理,得到下一次迭代过程的粒子位置和速度值。
具体来说,对于粒子位置和速度值进行正切归一化处理,如下式所示:
χ(t)=tanh(χ(t))
V(t)=tanh(V(t))。
结合前述图1所示的技术方案及其示例,本发明实施例所提出的基于改进粒子群优化的卫星遥测数据特征选择方案通过伪代码表示如下所示:
为了验证本发明实施例所提出的基于改进粒子群优化的卫星遥测数据特征选择方案(可被简称为GPSO)的有效性和优越性,本发明实施例根据某高光谱卫星一个月内的在轨遥测数据进行分析,首先进行了简单的降噪和野值去除预处理,这些数据包括90个不同类型的遥测数据,涉及卫星姿态和轨道参数,卫星各分系统中各部件的电压、旋转速度,指令信息等。利用这些数据生成一个数据集,其中20%的数据设定为验证集。基于这些数据,常用四个目前行业流程的无监督网络方案进行数值实验比较,这些方案的网络结构的输入和输出张量形式被设计为相同,这些网络经过训练,可以被部署为卫星的在线异常监测网络,这四个网络方案分别是去卷积重构网络(DRN),卷积自动编码器(CAE),长短时记忆(LSTM)以及剩余时域卷积网络(TCN)。对于这四个网络方案,DRN和CAE可以在单一时间步骤中学习高维特征,LSTM和TCN可以在多个事件步骤中进行学习。GPSO和网络训练的超参数设置如表1所示。
表1
名称 | 标识 | 值 |
种群 | p | 50 |
最大的迭代次数 | I<sub>max</sub> | 1000 |
惯性权重 | ω | 0.6 |
GPSO学习比率1 | c<sub>1</sub> | 1.2 |
GPSO学习比率2 | c<sub>2</sub> | 1.2 |
批量大小 | - | 32 |
归一化 | - | BN |
学习率 | - | 0.001 |
初始化方法 | - | Glorot Uniform |
激活方法 | - | ReLU |
优化器 | - | Adam |
损失函数 | - | MSE |
时间步骤 | - | 10 |
GPSO前的特征数目 | - | 90 |
GPSO后的特征数目 | - | 22 |
通过GPSO可以从遥测数据的90个特征中选择了22个特征。图4显示了进行特征选择前后的卫星遥测数据的互信息热图,可以看出,GPSO大大降低了被选中的遥测数据特征之间的互信息之和。图5和图6分别展示了四个网络方案在通过GPSO进行特征选择之前以及之后的训练集损失和验证集损失比较;从图中可以看出,经过GPSO特征选择之后,网络训练得到了极大的改善,在训练过程中,损失下降的更快,特征选择后(After GPSO)的损失比特征选择前(Before GPSO)的损失要小得多。具体数据如表2所示:
表2
结合图5、6以及表2可以看出,经过GPSO进行特征选择后,损失得到了很大的改善,特别对于CAE,改善最大。
基于前述技术方案相同的发明构思,参见图7,其示出了本发明实施例提供的一种基于改进粒子群优化的卫星遥测数据特征选择装置70,所述装置70包括:初始化部分701、第一计算部分702、交叉部分703、第一更新部分704、第二计算部分705、第二更新部分706、归一化部分707以及确定部分708;其中,
所述初始化部分701,经配置为基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化;
所述第一计算部分702,经配置为基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
在设定的迭代次数中的每一次迭代过程,分别针对每个粒子:
所述交叉部分703,经配置为:进行优先操作交叉;
所述第一更新部分704,经配置为根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值;
所述第二计算部分705,经配置为根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数;
所述第二更新部分706,经配置为基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
所述归一化部分707,经配置为对所述当前迭代过程的粒子位置和速度值进行归一化处理;
所述确定部分708,经配置为当达到所述设定的迭代次数时,根据最终得到的粒子群确定遥测数据中用于进行数据补全、卫星状态预测和故障诊断的优选特征数据。
在上述方案中,所述交叉部分703,经配置为:
对于第t次迭代过程的第i个粒子随机选择的元素设置一随机概率pi(t);
若pi(t)≥PPOX,则第i个粒子将与随机选择的第j个粒子的相同元素进行信息交换;其中,PPOX为关于第i个粒子设定的概率阈值。
在上述方案中,所述第一更新部分704,经配置为:
其中,ω表示粒子速度更新的惯性权重;c1和c2表示设定的学习比率;r1,r2∈(0,1)。
在上述方案中,所述第二计算部分705,经配置为:
将当前粒子群中位置值大于0的粒子维度确定为被选中的特征;
针对对于第t次迭代过程的第i个粒子,根据被选中的特征以及下式确定基于互信息的当前迭代过程的适应度函数Fi(t):
其中,Xi和Xj表示第i个和第j个被选中的特征;I(Xi,Xj)表示第i个和第j个被选中的特征的互信息;ns表示被选中的特征数量。
在上述方案中,所述第二更新部分706,经配置为:
针对第t次迭代过程的第i个粒子:
若当前迭代过程的适应度函数Fi(t)小于当前迭代过程的最优局部适应度函数F_pbi(t),则将当前迭代过程的最优局部粒子更新为当前迭代过程的第i个粒子,并将当前迭代过程的最优局部适应度函数F_pbi(t)更新为当前迭代过程第i个粒子的适应度函数Fi(t);
若当前迭代过程的适应度函数Fi(t)小于当前迭代过程的最优全局适应度函数F_gbi(t),则将当前迭代过程的最优全局粒子更新为当前迭代过程的第i个粒子,并将当前迭代过程的最优全局适应度函数F_gbi(t)更新为当前迭代过程第i个粒子的适应度函数Fi(t)。
在上述方案中,所述归一化部分707,经配置为:
针对第t次迭代过程的第i个粒子,对所述当前迭代过程的粒子位置和速度值进行正切归一化处理,得到下一次迭代过程的粒子位置和速度值。
可以理解地,在本实施例中,“部分”可以是部分电路、部分处理器、部分程序或软件等等,当然也可以是单元,还可以是模块也可以是非模块化的。
另外,在本实施例中的各组成部分可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的单元如果以软件功能模块的形式实现并非作为独立的产品进行销售或使用时,可以存储在一个计算机可读取存储介质中,基于这样的理解,本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或processor(处理器)执行本实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
因此,本实施例提供了一种计算机存储介质,所述计算机存储介质存储有基于改进粒子群优化的卫星遥测数据特征选择程序,所述基于改进粒子群优化的卫星遥测数据特征选择程序被至少一个处理器执行时实现上述技术方案中所述基于改进粒子群优化的卫星遥测数据特征选择方法步骤。
根据上述基于改进粒子群优化的卫星遥测数据特征选择装置70以及计算机存储介质,参见图8,其示出了本发明实施例提供的一种能够实施上述基于改进粒子群优化的卫星遥测数据特征选择装置70的计算设备80的具体硬件结构,该计算设备80可以为无线装置、移动或蜂窝电话(包含所谓的智能电话)、个人数字助理(PDA)、视频游戏控制台(包含视频显示器、移动视频游戏装置、移动视频会议单元)、膝上型计算机、桌上型计算机、电视机顶盒、平板计算装置、电子书阅读器、固定或移动媒体播放器,等。计算设备80包括:通信接口801,存储器802和处理器803;各个组件通过总线系统804耦合在一起。可理解,总线系统804用于实现这些组件之间的连接通信。总线系统804除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但是为了清楚说明起见,在图8中将各种总线都标为总线系统804。其中,
所述通信接口801,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器802,用于存储能够在所述处理器803上运行的计算机程序;
所述处理器803,用于在运行所述计算机程序时,执行上述技术方案中所述基于改进粒子群优化的卫星遥测数据特征选择方法步骤。
可以理解,本发明实施例中的存储器802可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本文描述的系统和方法的存储器802旨在包括但不限于这些和任意其它适合类型的存储器。
而处理器803可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器803中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器803可以是通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器802,处理器803读取存储器802中的信息,结合其硬件完成上述方法的步骤。
可以理解的是,本文描述的这些实施例可以用硬件、软件、固件、中间件、微码或其组合来实现。对于硬件实现,处理单元可以实现在一个或多个专用集成电路(ApplicationSpecific Integrated Circuits,ASIC)、数字信号处理器(Digital Signal Processing,DSP)、数字信号处理设备(DSP Device,DSPD)、可编程逻辑设备(Programmable LogicDevice,PLD)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、通用处理器、控制器、微控制器、微处理器、用于执行本申请所述功能的其它电子单元或其组合中。
对于软件实现,可通过执行本文所述功能的模块(例如过程、函数等)来实现本文所述的技术。软件代码可存储在存储器中并通过处理器执行。存储器可以在处理器中或在处理器外部实现。
可以理解地,上述基于改进粒子群优化的卫星遥测数据特征选择装置70以及计算设备80的示例性技术方案,与前述基于改进粒子群优化的卫星遥测数据特征选择方法的技术方案属于同一构思,因此,上述对于基于改进粒子群优化的卫星遥测数据特征选择装置70以及计算设备80的技术方案未详细描述的细节内容,均可以参见前述基于改进粒子群优化的卫星遥测数据特征选择方法的技术方案的描述。本发明实施例对此不做赘述。
需要说明的是:本发明实施例所记载的技术方案之间,在不冲突的情况下,可以任意组合。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于改进粒子群优化的卫星遥测数据特征选择方法,其特征在于,所述方法包括:
基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化;
基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
在设定的迭代次数中的每一次迭代过程,分别针对每个粒子,执行以下步骤:
进行优先操作交叉,并根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值;
根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数;
基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
对所述当前迭代过程的粒子位置和速度值进行归一化处理;
当达到所述设定的迭代次数时,根据最终得到的粒子群确定遥测数据中用于进行数据补全、卫星状态预测和故障诊断的优选特征数据。
2.根据权利要求1所述的方法,其特征在于,所述进行优先操作交叉,包括:
对于第t次迭代过程的第i个粒子随机选择的元素设置一随机概率pi(t);
若pi(t)≥PPOX,则第i个粒子将与随机选择的第j个粒子的相同元素进行信息交换;其中,PPOX为关于第i个粒子设定的概率阈值。
5.根据权利要求1所述的方法,其特征在于,所述基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数,包括:
针对第t次迭代过程的第i个粒子:
若当前迭代过程的适应度函数Fi(t)小于当前迭代过程的最优局部适应度函数F_pbi(t),则将当前迭代过程的最优局部粒子更新为当前迭代过程的第i个粒子,并将当前迭代过程的最优局部适应度函数F_pbi(t)更新为当前迭代过程第i个粒子的适应度函数Fi(t);
6.根据权利要求1所述的方法,其特征在于,所述对所述当前迭代过程的粒子位置和速度值进行归一化处理,包括:
针对第t次迭代过程的第i个粒子,对所述当前迭代过程的粒子位置和速度值进行正切归一化处理,得到下一次迭代过程的粒子位置和速度值。
7.一种基于改进粒子群优化的卫星遥测数据特征选择装置,其特征在于,所述装置包括:初始化部分、第一计算部分、交叉部分、第一更新部分、第二计算部分、第二更新部分、归一化部分以及确定部分;其中,
所述初始化部分,经配置为基于遥测数据的原始特征集合构建粒子群并对所述粒子群的粒子进行初始化;
所述第一计算部分,经配置为基于互信息计算初始化粒子群的适应度函数、最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
在设定的迭代次数中的每一次迭代过程,分别针对每个粒子:
所述交叉部分,经配置为:进行优先操作交叉;
所述第一更新部分,经配置为根据前次迭代过程的粒子位置值、速度值、最优局部粒子和最优全局粒子更新得到当前迭代过程的粒子位置和速度值;
所述第二计算部分,经配置为根据当前粒子群所选择出的特征基于互信息计算当前迭代过程的适应度函数;
所述第二更新部分,经配置为基于当前迭代过程的适应度函数更新获得当前迭代过程的最优局部粒子、最优全局粒子、最优局部适应度函数和最优全局适应度函数;
所述归一化部分,经配置为对所述当前迭代过程的粒子位置和速度值进行归一化处理;
所述确定部分,经配置为当达到所述设定的迭代次数时,根据最终得到的粒子群确定遥测数据中用于进行数据补全、卫星状态预测和故障诊断的优选特征数据。
9.一种计算设备,其特征在于,所述计算设备包括:通信接口,存储器和处理器,各个组件通过总线系统耦合在一起;其中,
所述通信接口,用于在与其他外部网元之间进行收发信息过程中,信号的接收和发送;
所述存储器,用于存储能够在所述处理器上运行的计算机程序;
所述处理器,用于在运行所述计算机程序时,执行权利要求1至6任一项所述基于改进粒子群优化的卫星遥测数据特征选择方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机存储介质存储有基于改进粒子群优化的卫星遥测数据特征选择程序,所述基于改进粒子群优化的卫星遥测数据特征选择程序被至少一个处理器执行时实现权利要求1至6任一项所述基于改进粒子群优化的卫星遥测数据特征选择方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635929.6A CN114881090B (zh) | 2022-06-06 | 2022-06-06 | 基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635929.6A CN114881090B (zh) | 2022-06-06 | 2022-06-06 | 基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114881090A true CN114881090A (zh) | 2022-08-09 |
CN114881090B CN114881090B (zh) | 2023-04-07 |
Family
ID=82678665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210635929.6A Active CN114881090B (zh) | 2022-06-06 | 2022-06-06 | 基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114881090B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519021A (zh) * | 2023-06-29 | 2023-08-01 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
CN117092206A (zh) * | 2023-08-09 | 2023-11-21 | 国网四川省电力公司电力科学研究院 | 电缆铅封区域的缺陷检测方法、计算机设备及存储介质 |
CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645294B1 (en) * | 2004-02-03 | 2014-02-04 | Hrl Laboratories, Llc | Method for image registration utilizing particle swarm optimization |
CN106204415A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 一种新型的图像配准方法 |
CN112906890A (zh) * | 2021-03-18 | 2021-06-04 | 北京工商大学 | 一种基于互信息和改进遗传算法的用户属性特征选择方法 |
CN113869332A (zh) * | 2021-10-18 | 2021-12-31 | 国网浙江省电力有限公司信息通信分公司 | 一种特征选择方法、装置、存储介质和设备 |
-
2022
- 2022-06-06 CN CN202210635929.6A patent/CN114881090B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8645294B1 (en) * | 2004-02-03 | 2014-02-04 | Hrl Laboratories, Llc | Method for image registration utilizing particle swarm optimization |
CN106204415A (zh) * | 2015-05-04 | 2016-12-07 | 南京邮电大学 | 一种新型的图像配准方法 |
CN112906890A (zh) * | 2021-03-18 | 2021-06-04 | 北京工商大学 | 一种基于互信息和改进遗传算法的用户属性特征选择方法 |
CN113869332A (zh) * | 2021-10-18 | 2021-12-31 | 国网浙江省电力有限公司信息通信分公司 | 一种特征选择方法、装置、存储介质和设备 |
Non-Patent Citations (2)
Title |
---|
XIAN FANG SONG,ET AL: "《Feature selection using bare-bones particle swarm optimization with mutual information》", 《PATTERN RECOGNITION》 * |
冯耀武,等: "《一种改进的粒子群微学习单元特征选择算法》", 《小型微型计算机系统》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116519021A (zh) * | 2023-06-29 | 2023-08-01 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
CN116519021B (zh) * | 2023-06-29 | 2023-09-15 | 西北工业大学 | 一种惯性导航系统故障诊断方法、系统及设备 |
CN117092206A (zh) * | 2023-08-09 | 2023-11-21 | 国网四川省电力公司电力科学研究院 | 电缆铅封区域的缺陷检测方法、计算机设备及存储介质 |
CN117744283A (zh) * | 2024-02-20 | 2024-03-22 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
CN117744283B (zh) * | 2024-02-20 | 2024-04-30 | 陕西空天信息技术有限公司 | 用于压气机的设计方法、装置、设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114881090B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114881090B (zh) | 基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质 | |
EP3882820A1 (en) | Node classification method, model training method, device, apparatus, and storage medium | |
US20230231579A1 (en) | Data storage device | |
US11062208B2 (en) | Update management for RPU array | |
US11749354B2 (en) | Systems and methods for non-parametric PV-level modeling and read threshold voltage estimation | |
US11514999B2 (en) | Systems and methods for parametric PV-level modeling and read threshold voltage estimation | |
US11966291B2 (en) | Data communication | |
US11915766B2 (en) | Automatic program voltage selection network | |
US20230036490A1 (en) | Read threshold voltage estimation systems and methods for parametric pv-level modeling | |
US11769556B2 (en) | Systems and methods for modeless read threshold voltage estimation | |
CN115700494B (zh) | 一种基于贝叶斯推理的轨道交通监测数据清洗方法及系统 | |
US11960989B2 (en) | Read threshold estimation systems and methods using deep learning | |
CN112149825A (zh) | 神经网络模型的训练方法及装置、电子设备、存储介质 | |
CN114974421A (zh) | 基于扩散-降噪的单细胞转录组测序数据补插方法及系统 | |
CN117057443B (zh) | 视觉语言模型的提示学习方法及电子设备 | |
US20220405570A1 (en) | Post-hoc loss-calibration for bayesian neural networks | |
US11527299B2 (en) | Polar neural network decoder for memory devices | |
CN112508308A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
Zhang et al. | An SVM-based NAND flash endurance prediction method | |
JP6954346B2 (ja) | パラメータ推定装置、パラメータ推定方法、及びプログラム | |
CN111049530A (zh) | 纠错电路及其操作方法 | |
US11635916B2 (en) | Workload-aware memory controller based on compact workload representation and method thereof | |
Ruan et al. | Robust satisficing mdps | |
CN114792115B (zh) | 基于反卷积重建网络的遥测信号野值去除方法、装置及介质 | |
US20230259564A1 (en) | Memory system using heterogeneous data format and method of controlling the same |
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 |