贾树泽,
赵现纲,
冯小虎,
范存群,,
朱爱军
国家卫星气象中心 北京 100081
基金项目:国家自然科学基金(61602126)，国家863计划项目(2011AA12A104)
详细信息
作者简介:马友：男，1982年生，副研究员，主要研究方向为服务推荐与机器学习
贾树泽：男，1982年生，高级工程师，主要研究方向为卫星故障诊断
赵现纲：男，1979年生，研究员，主要研究方向为卫星通讯技术
冯小虎：男，1973年生，研究员，主要研究方向为航天器精细化管理
范存群：男，1986年生，高级工程师，主要研究方向为卫星资料同化
朱爱军：男，1970年生，研究员，主要研究方向为卫星系统工程
通讯作者:范存群 fancq@cma.gov.cn
中图分类号:TN927; TP391计量
文章访问数:1732
HTML全文浏览量:878
PDF下载量:70
被引次数:0
出版历程
收稿日期:2018-07-19
修回日期:2019-04-20
网络出版日期:2019-09-27
刊出日期:2020-02-19
Missing Telemetry Data Prediction Algorithm via Tensor Factorization
You MA,Shuze JIA,
Xiangang ZHAO,
Xiaohu FENG,
Cunqun FAN,,
Aijun ZHU
National Satellite Meteorological Center, Beijing 100081, China
Funds:The National Natural Science Foundation of China (61602126), The National 863 Plan Project (2011AA12A104)
摘要
摘要:卫星健康状况监测是卫星安全保障的重要基础，而卫星遥测数据又是卫星健康状况分析的唯一数据来源。因此，卫星遥测缺失数据的准确预测是卫星健康分析的重要前瞻性手段。针对极轨卫星多组成系统、多仪器载荷以及多监测指标形成的高维数据特点，该文提出一种基于张量分解的卫星遥测缺失数据预测算法(TFP)，以解决当前数据预测方法大多面向低维数据或只能针对特定维度的不足。所提算法将遥测数据中的系统、载荷、指标以及时间等多维因素作为统一的整体进行张量建模，以完整、准确地表达数据的高维特征；其次，通过张量分解计算数据模型的成分特征，通过成分特征可对张量模型进行准确重构，并在重构过程中对缺失数据进行准确预测；最后，提出一种高效的优化算法实现相关的张量计算，并对算法中最优参数设置进行严格的理论推导。实验结果表明，所提算法的预测准确度优于当前大部分预测算法。
关键词:极轨卫星/
遥测数据/
缺失数据预测/
张量分解
Abstract:Satellite health monitoring is an important concern for satellite security, for which satellite telemetry data is the only source of data. Therefore, accurate prediction of missing data of satellite telemetry is an important forward-looking approach for satellite health diagnosis. For the high-dimensional structure formed by the satellite multi-component system, multi-instrument and multi-monitoring index, the Tensor Factorization based Prediction (TFP) algorithm for missing telemetry data is proposed. The proposed algorithm surpasses most existing methods, which can only be applied to low-dimensional data or specific dimension. The proposed algorithm makes accurate predictions by modeling the telemetry data as a Tensor to integrally utilize its high-dimensional feature; Computing the component matrixes via Tensor Factorization to reconstruct the Tensor which gives the predictions of the missing data; An efficient optimization algorithm is proposed to implement the related tensor calculations, for which the optimal parameter settings are strictly theoretically deduced. Experiments show that the proposed algorithm has better prediction accuracy than the most existing algorithms.
Key words:Satellite/
Telemetry data/
Missing data prediction/
Tensor factorization
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=7e39603c-7de0-47ce-82bd-f90cedbcf7eb
