一种适用于增强卫星互联网预测的多维预测方法

本发明属于卫星遥测，具体涉及一种适用于增强卫星互联网预测的多维预测方法。

背景技术：

1、由于全世界范围对卫星通信、导航、遥感观测等的需求的不断增加，卫星需要承担的任务也越来越重；而随着在轨卫星数量、设计寿命和型号种类不断增加，增加对卫星状态和性能的监测必不可少，卫星遥测参数是衡量卫星状态的重要指标，通过对卫星参数的实时监测和预测，可以了解卫星的运行状态，如性能指标、能源利用、轨道偏移等，从而实现故障预警和预防、运行状态监测、资源管理和规划、性能优化等功能，进一步提升卫星运行的稳定性，提高卫星上任务执行的效率；

2、在卫星遥测技术领域，可以使用深度学习技术帮助预测卫星的遥测参数，深度学习技术作为一种能处理大量数据与复杂数据的机器学习技术，深度学习能够自动学习和优化模型，通过学习以往的历史数据与当前状态，预测未来的数据参数，帮助系统进行决策等等；

3、然而，深度学习的特性也就要求其需要大量的真实数据来帮助其进行预训练，未经训练的模型往往其性能难以达到要求，同时，卫星的遥测数据涉及多个传感器和多个观测变量，具有多维度和长序列的特点，因此如何准确地对卫星的遥测数据进行预测仍然是一个难题。

技术实现思路

1、本发明的目的是提供一种适用于增强卫星互联网预测的多维预测方法，能够极大地提高了卫星遥测数据预测的准确率。

2、本发明采取的技术方案具体如下：

3、一种适用于增强卫星互联网预测的多维预测方法，包括以下步骤：

4、步骤1：选取遥感卫星，并选取一段时间，在这个时间段内隔一段时间获取一次卫星的遥感数据作为一个数据点，将获取的若干数据点按照时间顺序分为训练集、验证集和测试集；

5、步骤2：对获取的卫星参数使用最小-最大归一化公式进行归一化处理，最小-最大归一化公式为：

6、

7、其中xnorm表示归一化处理后的为卫星参数，min(x)表示卫星参数中的最小值，max(x)表示卫星参数中的最大值。

8、步骤3：计算卫星参数之间的皮尔逊相关系数，用于衡量卫星参数之间的相关性，皮尔逊相关系数的计算公式为：

9、

10、其中ρx,y表示卫星参数之间的皮尔逊相关系数，cov(x,y)表示变量x与变量y之间的协方差，σx与σy分别代表变量x和变量y的标准差；

11、步骤4：将参数组合输入两层lstm模型，lstm模型对模型进行训练，两层lstm模型中第一层含有64个记忆单元，第二层为隐含层，含有64个记忆单元；

12、步骤5：当模型训练完成后，用于进行卫星遥感数据的预测。

13、进一步地，所述步骤4中两层lstm模型的训练过程如下：

14、步骤401：初始化lstm模型的权重参数和记忆细胞c0以及隐藏状态h0，上述参数将在训练过程中不断更新；；

15、步骤402：首先，在每个时间步t，lstm模型接收输入xt和前一个时间步的隐藏状态ht-1，然后计算输入门it、遗忘门ft、输出门ot和候选记忆细胞的值，其计算公式分别为：

16、it＝σ(xtwxi+ht-1whi+bi)

17、ft＝σ(xtwxf+ht-1whf+bf)

18、ot＝σ(xtwxo+ht-1who+bo)

19、

20、其中，wxi、wxf、wxo、whi、whf、who、bi、bf、bo、wxc、whc为lstm模型的权重参数。

21、然后，更新记忆细胞ct和隐藏状态ht，其中，使用输入门it和遗忘门ft来更新记忆细胞ct，使用输出门ot和更新后的记忆细胞ct来计算当前时间步的隐藏状态ht，将其更新过程为：

22、

23、ht＝ot⊙tanh(ct)

24、其中，⊙表示按元素相乘；

25、步骤403：将隐藏状态ht进行线性转换，输出lstm模型的预测结果；

26、步骤404：使用平均绝对误差和均方误差计算当前时间步的预测结果与实际标签之间的损失；

27、步骤405：通过反向传播算法，计算每个参数的梯度，然后使用adam优化算法来更新lstm模型的参数，以最小化损失函数；

28、步骤406：重复以上步骤，遍历所有时间步和样本，直到达到预定的训练迭代次数或达到收敛条件；

29、步骤407：在训练过程中，使用验证集来监控模型的性能，并根据需要调整超参数以提高性能；

30、步骤408：训练完成后，使用测试集评估模型的泛化能力和性能。

31、进一步地，所述步骤4中lstm模型标签生成问题的建模方法包括以下步骤：

32、步骤4a：在模型预测时，通过前30个时刻的参数遥测值来预测下1个时刻的遥测值，前30个时刻的遥测值作为数据，第31个时刻的遥测值作为标签；

33、步骤4b：采用滑动窗口的方式生成标签，滑动窗口的大小设置为30，将滑动窗口内的数据作为lstm模型的输入，滑动窗口后的第1个数据作为滑动窗口内数据的标签；

34、步骤4c：每当滑动窗口完成标签生成操作后，滑动窗口向后移动1位；

35、步骤4d：重复步骤4c，直至滑动窗口后的数据为数据集的最后一位数据，滑动窗口停止移动步骤。

36、进一步地，所述步骤404中平均绝对误差的公式为：

37、

38、其中，n为样本数量，n为样本数量，yi为第i个样本的真实值，为第i个样本的预测值。

39、进一步地，所述步骤404中均方误差的计算公式为：

40、

41、其中，n为样本数量，yi为第i个样本的真实值，为第i个样本的预测值。

42、进一步地，所述步骤405中adam优化算法的更新公式为：

43、mt＝β1mt-1+(1-β1)gt

44、vt＝β2mt-1+(1-β2)(gt)2

45、式中的mt为梯度第一矩估计，β1、β2为超参数，vt为第二矩估计，gt为时间步t的梯度；adam优化算法在正常更新参数的过程中，还做了偏差修正，偏差修正公式为：

46、

47、式中的为偏差修正后的梯度第一矩估计，为偏差修正后的第二矩估计，β1、β2为超参数；

48、adam算法在对lstm模型参数进行更新时的公式为：

49、

50、式中的α为神经网络模型的学习率，ε为防止除零误差常数为偏差修正后的梯度第一矩估计，为偏差修正后的第二矩估计。

51、本发明取得的技术效果为：

52、本发明的一种适用于增强卫星互联网预测的多维预测方法通过有效的lstm训练过程，在处理大量时间序列数据时降低误差，增强预测的准确度，为卫星互联网预测提供了更强的泛化能力和效率，极大地提高了卫星遥测数据预测的准确率。

技术特征：

1.一种适用于增强卫星互联网预测的多维预测方法，其特征在于：包括以下步骤：

2.根据权利要求1所述的一种适用于增强卫星互联网预测的多维预测方法，其特征在于：所述步骤4中两层lstm模型的训练过程如下：

3.根据权利要求1所述的一种适用于增强卫星互联网预测的多维预测方法，其特征在于：所述步骤4中lstm模型标签生成问题的建模方法包括以下步骤：

4.根据权利要求2所述的一种适用于增强卫星互联网预测的多维预测方法，其特征在于：所述步骤402中输入门it、遗忘门ft、输出门ot和候选记忆细胞的计算公式分别为：

5.根据权利要求4所述的一种适用于增强卫星互联网预测的多维预测方法，其特征在于：所述步骤402中记忆细胞ct和隐藏状态ht的更新过程建模为：

6.根据权利要求5所述的一种适用于增强卫星互联网预测的多维预测方法，其特征在于：所述步骤404中平均绝对误差的公式为：

7.根据权利要求6所述的一种适用于增强卫星互联网预测的多维预测方法，其特征在于：所述步骤404中均方误差的计算公式为：

8.根据权利要求7所述的一种适用于增强卫星互联网预测的多维预测方法，其特征在于：所述步骤405中adam优化算法的更新公式为：

技术总结本发明属于卫星遥测技术领域，具体涉及一种适用于增强卫星互联网预测的多维预测方法，包括以下步骤：步骤1：选取遥感卫星，并选取一段时间，在这个时间段内隔一段时间获取一次卫星的遥感数据作为一个数据点，将获取的若干数据点按照时间顺序分为训练集、验证集和测试集；步骤2：对获取的卫星参数使用最小‑最大归一化公式进行归一化处理；步骤3：计算卫星参数之间的皮尔逊相关系数，用于衡量卫星参数之间的相关性；步骤4：将参数组合输入两层LSTM模型，LSTM模型对模型进行训练，两层LSTM模型中第一层含有64个记忆单元，第二层为隐含层，含有64个记单元。本发明能够极大地提高了卫星遥测数据预测的准确率。技术研发人员：蒋硕,周怡航,章玄,姜垚先,王雨轩,李康,朱超,蒋思越受保护的技术使用者：北京理工大学技术研发日：技术公布日：2024/9/12