CN111291306A - 一种用于航天器自主诊断的大样本遥测数据快速优化方法 - Google Patents
一种用于航天器自主诊断的大样本遥测数据快速优化方法 Download PDFInfo
- Publication number
- CN111291306A CN111291306A CN202010076044.8A CN202010076044A CN111291306A CN 111291306 A CN111291306 A CN 111291306A CN 202010076044 A CN202010076044 A CN 202010076044A CN 111291306 A CN111291306 A CN 111291306A
- Authority
- CN
- China
- Prior art keywords
- data
- telemetering
- field
- slope
- boundary
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Radio Relay Systems (AREA)
- Selective Calling Equipment (AREA)
Abstract
一种用于航天器自主诊断的大样本遥测数据快速优化方法,本发明将基于特征值查询的数据优化方法和基于全查询的数据优化方法相结合,引入层次分析法思想,自上而下建立分层结构,形成一种基于分层结构的二级斜率数据快速优化方法。该方法实现超大样本航天器数据优化的高准确度和高效率性,其方法可用于具有时间序列特点的任意超大样本数据优化中。通过在东三和东四平台卫星上的应用,证明方法有效可行。
Description
技术领域
本发明涉及一种用于航天器自主诊断的大样本遥测数据快速优化方法,属于航天器自主诊断数据优化技术领域。
背景技术
航天器遥测数据是按照时间先后顺序由航天器发送到地面的,是典型的时间序列数据。一般地,数据采集或传输异常会引发数据错误,进而导致正确数据中夹杂着不定量的错误数据(即野值),而在自主诊断时为保证结果的正确性需要剔除野值,因此有必要开展数据优化工作。然而部分在轨航天器由于遥测量巨大,其快速优化工作存在不足。
以东三平台静止轨道卫星为例,地面站24小时全天可见,快变遥测0.5s下传一次,1个快变遥测1天则下传172800个点,在进行该遥测月度数据分析、年度数据分析时,该参数需要同时查询的点数超过500万和6000万,采用现有方法对上述具有超大样本特点的数据进行快速优化工作存在困难。目前,自动化数据优化方法主要分为2种:1)基于特征值查询的数据优化方法,优点是大幅降低查询的数据量,提高了优化速度,但由于特征值属于抽样查询,降低了优化的准确度;2)基于全查询的数据优化方法,优点是优化准确度大大提高,但优化效率大大降低,特别是在进行多星多参数数据优化时,优化的数据会成百上千倍的增加。因此需要寻找一种数据优化方法同时解决准确性和高效性问题。
发明内容
本发明解决的技术问题是:克服现有技术的不足,针对航天器自主诊断中超大样本数据优化方法准确性和高效性难以兼顾的问题,提出了一种用于航天器自主诊断的大样本遥测数据快速优化方法。本方法可以实现超大样本航天器遥测数据优化的高准确度和高效率性,其准确度可以与基于全查询的数据优化方法保持一致,但效率却可以大幅增加,效率提升与野值占比有关,若野值占比为万分之一,则效率可以提高近万倍。
本发明的技术解决方案是:
一种用于航天器自主诊断的大样本遥测数据快速优化方法,包括步骤如下:
1)根据12m个月的历史遥测数据,确定一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界;其中,m为正整数;
2)判断航天器目标时间段遥测数据的数据量s是否小于或等于地面遥测数据处理中心单次最大的遥测数据处理量n,若s小于或等于n则进入3),反之,则进入4);
3)根据步骤1)所述一级剔野斜率K1及边界剔野的上下边界,对航天器目标时间段遥测数据进行剔野,获得优化后的遥测数据;
4)根据步骤1)所述一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界,对航天器目标时间段遥测数据进行剔野,获得优化后的遥测数据。
步骤1)所述确定一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界的方法,具体为:
11)从12m个月的遥测数据中,选取一个轨道周期的遥测数据,所述被选取的一个轨道周期的遥测数据不含有野值;
计算被选取的遥测数据中前后两帧遥测数据差值,将差值最大值作为该遥测数据的一级剔野斜率K1;将5倍的K1作为该遥测数据的二级剔野斜率K2;
12)利用步骤11)所述一级剔野斜率对12m个月的遥测数据进行一级斜率剔野,获得一级斜率剔野后的遥测数据,并获得剔野后遥测数据的最大值Max和最小值Min,根据剔野后遥测数据的最大值Max和最小值Min,确定遥测数据边界剔野的上边界H和下边界L,H=Max+Δ,L=Min-Δ;其中,Δ≤50%×(Max-Min)。
步骤3)所述获得优化后的遥测数据的方法,具体为:
31)采用步骤1)所述边界剔野的上下边界对航天器目标时间段遥测数据进行边界剔野,剔除大于边界剔野上边界H和小于边界剔野下边界L的遥测数据,获得边界剔野后的遥测数据,进入步骤32);
32)根据步骤1)所述一级剔野斜率K1对步骤31)所述边界剔野后的遥测数据进行一级斜率剔野,获得一级斜率剔野后的遥测数据作为优化后的遥测数据。
所述进行一级斜率剔野的方法,具体为:分别计算两相邻遥测数据的差值,若两相邻遥测数据的差值绝对值大于K1,则将该两遥测数据中绝对值较大的一项剔除,遍历每个遥测数据进行斜率剔野,获得斜率剔野后的遥测数据。
步骤4)所述获得优化后的遥测数据的方法,具体为:
42)获得所述每个初始分割区间Ai中遥测数据的最大值和最小值,将每个初始分割区间Ai中遥测数据的最大值和最小值作为该初始分割区间Ai对应的遥测特征值;将所有初始分割区间的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间;
43)从所述n/2个区间中,提取出每个区间遥测数据的最大值和最小值并按时间顺序排列,组成遥测特征序列;
44)根据步骤1)所述边界剔野的上下边界,判定所述遥测特征序列是否需要进行边界剔野,若需要边界剔野则进入步骤45),反之则进入步骤46);
45)对所述遥测特征序列中的遥测数据进行边界剔野,获得边界剔野后的遥测特征序列同时获得被边界剔野掉的遥测数据对应的初始分割区间Ai;重新确定该初始分割区间Ai中遥测数据的最大值和最小值,使用重新确定的最大值和最小值替换该初始分割区间Ai对应的遥测特征值,将所有初始分割区间的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间,并进入步骤43);
46)根据步骤1)所述二级剔野斜率K2,判定所述遥测特征序列是否需要进行二级斜率剔野,若需要则进入步骤47),若不需要则完成剔野,将步骤43)所述遥测特征序列中的遥测数据作为优化后的遥测数据;
47)对所述遥测特征序列中的遥测数据进行二级斜率剔野,获得二级斜率剔野后的遥测特征序列,同时将被二级斜率剔野掉的遥测数据对应的初始分割区间Ai作为待查区间,然后进入步骤48);
48)根据步骤1)所述一级剔野斜率K1,对待查区间Ai进行一级斜率剔野,剔野后重新确定Ai中遥测数据的最大值和最小值,然后使用重新确定的最大值和最小值替换Ai对应的遥测特征值,并将所有的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间,并进入步骤43)。
步骤41)所述对航天器目标时间段遥测数据进行p次分割的方法,具体为:
411)按照时间顺序将航天器目标时间段遥测数据均匀分割为n/2个区间;
412)判定分割后每个区间中遥测数据的数据量是否均小于或等于n,若均小于或等于n则进入步骤413);反之进入步骤414);
414)将分割后的每个区间再次按照时间顺序均匀分割为n/2个区间,然后返回步骤412)。
步骤46)所述进行边界剔野的方法,具体为:剔除遥测特征序列中大于边界剔野上边界H和小于边界剔野下边界L的遥测数据,获得边界剔野后的遥测特征序列。
步骤47)所述进行二级斜率剔野的方法,具体为:分别计算两时间相邻遥测数据的差值,若两时间相邻遥测数据的差值绝对值大于K2则将该两遥测数据中绝对值较大的一项剔除,遍历每个遥测数据进行斜率剔野,获得斜率剔野后的遥测数据。
本发明与现有技术相比的优点在于:
1)本发明针对大样本遥测数据采用基于等分割区间进行边界剔野和二级斜率组合剔野的方法,实现了遥测数据变化规律的无损呈现,即剔野前后遥测特征序列长度不变,并且遥测特征序列中正常遥测特征值位置不变,仅对被判定为野值的遥测特征值进行更新,而非绝对删除。所用方法仅对遥测特征曲线的局部进行剔野更新,不改变其它不变遥测特征值的时间和空间特性。
2)本发明通过将遥测特征值与分割区间一一关联的方法,实现了遥测特征值剔野时原始数据区间的快速定位及遥测特征值的准确更新,大幅提高了剔野效率。
3)本发明采用的二级斜率剔野方法,通过二级剔野斜率K2对野值进行初筛,忽略掉不影响故障诊断使用的野值,对于筛选出来的遥测特征值,通过对被筛选出来的遥测特征值所对应的分割区间进行全数据查询并采用一级剔野斜率K1进行逐帧剔野,实现了剔野的精细化剔除,既提高了遥测特征数据中野值的容忍度,又提高了野值判定的准确度,为航天器自主故障诊断奠定了可靠的数据基础。
附图说明
图1为某卫星某参数2019年1月~2020年1月的在轨遥测特征数据曲线图;
图2为某卫星某参数2018年1月10~11日的在轨遥测数据曲线图;
图3为某卫星某参数2019年1月~2020年1月经边界剔野后的在轨遥测特征数据曲线图;
图4为某卫星某参数2019年1月~2020年1月经斜率剔野后的在轨遥测特征数据曲线图;
图5为本发明流程图。
具体实施方式
本发明适用于具有时间序列特点的数据,基本思想是:将基于特征值查询的数据优化方法和基于全查询的数据优化方法相结合,引入层次分析法思想,自上而下建立分层结构,形成一种基于分层结构的二级斜率数据优化方法。顶层采用边界剔野方法进行野值初步识别,然后采用二级斜率剔野方法进一步进行野值深度识别;大样本数据剔野时,边界剔野或第二级斜率剔野筛选出的特征遥测需要回溯到原始数据中经过第一级斜率剔野筛选才可剔除,并选取新的遥测特征值替代,不改变特征遥测的数量。由本发明得到的大样本遥测数据快速优化方法已广泛应用于170余颗在轨卫星数据分析与健康管理工作中,方法成熟可靠。
基于170余颗在轨航天器的数据优化实践经验,本发明提供一种用于航天器自主诊断的大样本遥测数据快速优化方法,对提高航天器遥测数据自主故障诊断的准确性和高效性具有重要意义。
本发明流程如附图5所示,一种用于航天器自主诊断的大样本遥测数据快速优化方法,包括步骤如下:
1)根据12m个月的历史遥测数据,确定一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界;其中,m为正整数;
2)判断航天器目标时间段遥测数据的数据量s是否小于或等于地面遥测数据处理中心单次最大的遥测数据处理量n,若s小于或等于n则进入3),反之,则进入4);
3)根据步骤1)所述一级剔野斜率K1及边界剔野的上下边界,对航天器目标时间段遥测数据进行剔野,获得优化后的遥测数据;
4)根据步骤1)所述一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界,对航天器目标时间段遥测数据进行剔野,获得优化后的遥测数据。
步骤1)所述确定一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界的方法,具体为:
11)从12m个月的遥测数据中,选取一个轨道周期的遥测数据,所述被选取的一个轨道周期的遥测数据不含有野值;
计算被选取的遥测数据中前后两帧遥测数据差值,将差值最大值作为该遥测数据的一级剔野斜率K1;将5倍的K1作为该遥测数据的二级剔野斜率K2;
12)利用步骤11)所述一级剔野斜率对12m个月的遥测数据进行一级斜率剔野,获得一级斜率剔野后的遥测数据,并获得剔野后遥测数据的最大值Max和最小值Min,根据剔野后遥测数据的最大值Max和最小值Min,确定遥测数据边界剔野的上边界H和下边界L,H=Max+Δ,L=Min-Δ;其中,Δ≤50%×(Max-Min)。
步骤3)所述获得优化后的遥测数据的方法,具体为:
31)采用步骤1)所述边界剔野的上下边界对航天器目标时间段遥测数据进行边界剔野,剔除大于边界剔野上边界H=Max+Δ和小于边界剔野下边界L=Min-Δ的遥测数据,获得边界剔野后的遥测数据,进入步骤32);
32)根据步骤1)所述一级剔野斜率K1对步骤31)所述边界剔野后的遥测数据进行一级斜率剔野,获得一级斜率剔野后的遥测数据作为优化后的遥测数据。
所述进行一级斜率剔野的方法,具体为:分别计算两时间相邻遥测数据的差值,若两时间相邻遥测数据的差值绝对值大于K1,则将该两遥测数据中绝对值较大的一项剔除,遍历每个遥测数据进行斜率剔野,获得斜率剔野后的遥测数据。
步骤4)所述获得优化后的遥测数据的方法,具体为:
42)获得所述每个初始分割区间Ai中遥测数据的最大值和最小值,将每个初始分割区间Ai中遥测数据的最大值和最小值作为该初始分割区间Ai对应的遥测特征值;将所有初始分割区间的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间;
43)从所述n/2个区间中,提取出每个区间遥测数据的最大值和最小值并按时间顺序排列,组成遥测特征序列;
44)根据步骤1)所述边界剔野的上下边界,判定所述遥测特征序列是否需要进行边界剔野,若需要边界剔野则进入步骤45),反之则进入步骤46);
45)对所述遥测特征序列中的遥测数据进行边界剔野,获得边界剔野后的遥测特征序列同时获得被边界剔野掉的遥测数据对应的初始分割区间Ai;重新确定该初始分割区间Ai中遥测数据的最大值和最小值,使用重新确定的最大值和最小值替换该初始分割区间Ai对应的遥测特征值,将所有初始分割区间的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间,并进入步骤43);
46)根据步骤1)所述二级剔野斜率K2,判定所述遥测特征序列是否需要进行二级斜率剔野,若需要则进入步骤47),若不需要则完成剔野,将步骤43)所述遥测特征序列中的遥测数据作为优化后的遥测数据;
47)对所述遥测特征序列中的遥测数据进行二级斜率剔野,获得二级斜率剔野后的遥测特征序列,同时将被二级斜率剔野掉的遥测数据对应的初始分割区间Ai作为待查区间,然后进入步骤48);
48)根据步骤1)所述一级剔野斜率K1,对待查区间Ai进行一级斜率剔野,剔野后重新确定Ai中遥测数据的最大值和最小值,然后使用重新确定的最大值和最小值替换Ai对应的遥测特征值,并将所有的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间,并进入步骤43)。
步骤41)所述对航天器目标时间段遥测数据进行p次分割的方法,具体为:
411)按照时间顺序将航天器目标时间段遥测数据均匀分割为n/2个区间;
412)判定分割后每个区间中遥测数据的数据量是否均小于或等于n,若均小于或等于n则进入步骤413);反之进入步骤414);
414)将分割后的每个区间再次按照时间顺序均匀分割为n/2个区间,然后返回步骤412)。
步骤46)所述进行边界剔野的方法,具体为:剔除遥测特征序列中大于边界剔野上边界H和小于边界剔野下边界L的遥测数据,获得边界剔野后的遥测特征序列。
所述进行二级斜率剔野的方法,具体为:分别计算两时间相邻遥测数据的差值,若两时间相邻遥测数据的差值绝对值大于K2则将该两遥测数据中绝对值较大的一项剔除,遍历每个遥测数据进行斜率剔野,获得斜率剔野后的遥测数据。
实施例
下面以某航天器为例进一步说明本发明方法。
一、选取某参数2019年1月~2020年1月的在轨遥测数据;
二、根据地面遥测数据处理中心单次最大的遥测数据处理量,确定n=100000,经区间分割和特征值提取后,特征遥测数据如图1所示;
三、选取2018年1月10~11日遥测数据如图2所示,统计前后两个遥测数据之差并选取最大差值作为一级剔野斜率,经计算,一级剔野斜率K1=2,则二级剔野斜率K2=5*K1=10;
四、采用一级剔野斜率对2018年1月~2019年1月的在轨遥测数据进行剔野,遥测数据的最大值Max=-2319和最小值Min=-3407,取Δ=500,则该遥测数据边界剔野的上下边界值分别为-1819和-3907,经边界剔野后,遥测特征数据如图3所示;
五、采用二级斜率剔野后,遥测特征数据如图4所示。
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (8)
1.一种用于航天器自主诊断的大样本遥测数据快速优化方法,其特征在于,包括步骤如下:
1)根据12m个月的历史遥测数据,确定一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界;其中,m为正整数;
2)判断航天器目标时间段遥测数据的数据量s是否小于或等于地面遥测数据处理中心单次最大的遥测数据处理量n,若s小于或等于n则进入3),反之,则进入4);
3)根据步骤1)所述一级剔野斜率K1及边界剔野的上下边界,对航天器目标时间段遥测数据进行剔野,获得优化后的遥测数据;
4)根据步骤1)所述一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界,对航天器目标时间段遥测数据进行剔野,获得优化后的遥测数据。
2.根据权利要求1所述的一种用于航天器自主诊断的大样本遥测数据快速优化方法,其特征在于,步骤1)所述确定一级剔野斜率K1、二级剔野斜率K2及边界剔野的上下边界的方法,具体为:
11)从12m个月的遥测数据中,选取一个轨道周期的遥测数据,所述被选取的一个轨道周期的遥测数据不含有野值;
计算被选取的遥测数据中前后两帧遥测数据差值,将差值最大值作为该遥测数据的一级剔野斜率K1;将5倍的K1作为该遥测数据的二级剔野斜率K2;
12)利用步骤11)所述一级剔野斜率对12m个月的遥测数据进行一级斜率剔野,获得一级斜率剔野后的遥测数据,并获得剔野后遥测数据的最大值Max和最小值Min,根据剔野后遥测数据的最大值Max和最小值Min,确定遥测数据边界剔野的上边界H和下边界L,H=Max+Δ,L=Min-Δ;其中,Δ≤50%×(Max-Min)。
3.根据权利要求2所述的一种用于航天器自主诊断的大样本遥测数据快速优化方法,其特征在于,步骤3)所述获得优化后的遥测数据的方法,具体为:
31)采用步骤1)所述边界剔野的上下边界对航天器目标时间段遥测数据进行边界剔野,剔除大于边界剔野上边界H和小于边界剔野下边界L的遥测数据,获得边界剔野后的遥测数据,进入步骤32);
32)根据步骤1)所述一级剔野斜率K1对步骤31)所述边界剔野后的遥测数据进行一级斜率剔野,获得一级斜率剔野后的遥测数据作为优化后的遥测数据。
4.根据权利要求3所述的一种用于航天器自主诊断的大样本遥测数据快速优化方法,其特征在于,所述进行一级斜率剔野的方法,具体为:分别计算两相邻遥测数据的差值,若两相邻遥测数据的差值绝对值大于K1,则将该两遥测数据中绝对值较大的一项剔除,遍历每个遥测数据进行斜率剔野,获得斜率剔野后的遥测数据。
5.根据权利要求1所述的一种用于航天器自主诊断的大样本遥测数据快速优化方法,其特征在于,步骤4)所述获得优化后的遥测数据的方法,具体为:
42)获得所述每个初始分割区间Ai中遥测数据的最大值和最小值,将每个初始分割区间Ai中遥测数据的最大值和最小值作为该初始分割区间Ai对应的遥测特征值;将所有初始分割区间的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间;
43)从所述n/2个区间中,提取出每个区间遥测数据的最大值和最小值并按时间顺序排列,组成遥测特征序列;
44)根据步骤1)所述边界剔野的上下边界,判定所述遥测特征序列是否需要进行边界剔野,若需要边界剔野则进入步骤45),反之则进入步骤46);
45)对所述遥测特征序列中的遥测数据进行边界剔野,获得边界剔野后的遥测特征序列同时获得被边界剔野掉的遥测数据对应的初始分割区间Ai;重新确定该初始分割区间Ai中遥测数据的最大值和最小值,使用重新确定的最大值和最小值替换该初始分割区间Ai对应的遥测特征值,将所有初始分割区间的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间,并进入步骤43);
46)根据步骤1)所述二级剔野斜率K2,判定所述遥测特征序列是否需要进行二级斜率剔野,若需要则进入步骤47),若不需要则完成剔野,将步骤43)所述遥测特征序列中的遥测数据作为优化后的遥测数据;
47)对所述遥测特征序列中的遥测数据进行二级斜率剔野,获得二级斜率剔野后的遥测特征序列,同时将被二级斜率剔野掉的遥测数据对应的初始分割区间Ai作为待查区间,然后进入步骤48);
48)根据步骤1)所述一级剔野斜率K1,对待查区间Ai进行一级斜率剔野,剔野后重新确定Ai中遥测数据的最大值和最小值,然后使用重新确定的最大值和最小值替换Ai对应的遥测特征值,并将所有的遥测特征值按时间顺序排列,然后均匀分割为n/2个区间,并进入步骤43)。
7.根据权利要求5所述的一种用于航天器自主诊断的大样本遥测数据快速优化方法,其特征在于,步骤46)所述进行边界剔野的方法,具体为:剔除遥测特征序列中大于边界剔野上边界H和小于边界剔野下边界L的遥测数据,获得边界剔野后的遥测特征序列。
8.根据权利要求5所述的一种用于航天器自主诊断的大样本遥测数据快速优化方法,其特征在于,步骤47)所述进行二级斜率剔野的方法,具体为:分别计算两时间相邻遥测数据的差值,若两时间相邻遥测数据的差值绝对值大于K2则将该两遥测数据中绝对值较大的一项剔除,遍历每个遥测数据进行斜率剔野,获得斜率剔野后的遥测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076044.8A CN111291306B (zh) | 2020-01-23 | 2020-01-23 | 一种用于航天器自主诊断的大样本遥测数据快速优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010076044.8A CN111291306B (zh) | 2020-01-23 | 2020-01-23 | 一种用于航天器自主诊断的大样本遥测数据快速优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111291306A true CN111291306A (zh) | 2020-06-16 |
CN111291306B CN111291306B (zh) | 2020-10-23 |
Family
ID=71023492
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010076044.8A Active CN111291306B (zh) | 2020-01-23 | 2020-01-23 | 一种用于航天器自主诊断的大样本遥测数据快速优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111291306B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332011A (zh) * | 2011-09-09 | 2012-01-25 | 北京空间飞行器总体设计部 | 一种在轨航天器有效数据选取方法 |
CN105490777A (zh) * | 2015-11-30 | 2016-04-13 | 上海卫星工程研究所 | 卫星遥测数据野值剔除预处理方法 |
CN105573329A (zh) * | 2015-12-16 | 2016-05-11 | 上海卫星工程研究所 | 基于决策树的姿轨控数据分析方法 |
CN106021907A (zh) * | 2016-05-16 | 2016-10-12 | 北京空间飞行器总体设计部 | 一种卫星遥测数据趋势预测的置信度动态评估方法 |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
-
2020
- 2020-01-23 CN CN202010076044.8A patent/CN111291306B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102332011A (zh) * | 2011-09-09 | 2012-01-25 | 北京空间飞行器总体设计部 | 一种在轨航天器有效数据选取方法 |
CN105490777A (zh) * | 2015-11-30 | 2016-04-13 | 上海卫星工程研究所 | 卫星遥测数据野值剔除预处理方法 |
CN105573329A (zh) * | 2015-12-16 | 2016-05-11 | 上海卫星工程研究所 | 基于决策树的姿轨控数据分析方法 |
CN106021907A (zh) * | 2016-05-16 | 2016-10-12 | 北京空间飞行器总体设计部 | 一种卫星遥测数据趋势预测的置信度动态评估方法 |
CN106197424A (zh) * | 2016-06-28 | 2016-12-07 | 哈尔滨工业大学 | 遥测数据驱动的无人机飞行状态识别方法 |
Non-Patent Citations (3)
Title |
---|
左思佳等: "航空发动机试飞数据野值识别与补正算法", 《机械研究与应用》 * |
谷阳阳等: "遥测数据野值剔除方法的对比与分析", 《战术导弹技术》 * |
赵圣占等: "遥测数据处理的野值剔除方法研究", 《强度与环境》 * |
Also Published As
Publication number | Publication date |
---|---|
CN111291306B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110024097A (zh) | 基于机器学习的半导体制造良率预测***和方法 | |
CN105573329A (zh) | 基于决策树的姿轨控数据分析方法 | |
CN106897957B (zh) | 一种基于pca和pso-elm的自动气象站实时数据质量控制方法 | |
CN111291306B (zh) | 一种用于航天器自主诊断的大样本遥测数据快速优化方法 | |
CN117557914B (zh) | 一种基于深度学习的农作物病虫害识别方法 | |
CN114782838A (zh) | 水稻识别方法、装置、电子设备和存储介质 | |
CN111325392A (zh) | 登陆热带气旋过程降水预报*** | |
CN112488043B (zh) | 一种基于边缘智能的无人机车辆目标检测方法 | |
CN111881418B (zh) | 一种基于二分法的大豆气象产量预测方法及*** | |
CN110705132B (zh) | 一种基于多源异质数据的制导控制***性能融合评估方法 | |
CN108664752A (zh) | 一种基于工艺规则和大数据分析技术的工艺参数优化方法 | |
CN112990569A (zh) | 一种水果价格预测方法 | |
Gul et al. | Spiking neural network (SNN) for crop yield prediction | |
CN109272007B (zh) | 基于深度神经网络的初撑力、末阻力识别方法、存储介质 | |
CN115017990B (zh) | 一种交通流量预测方法、装置、设备及存储介质 | |
CN109858678A (zh) | 一种确定向日葵气象产量的方法和*** | |
CN111174812B (zh) | 一种卫星星敏感器常值输出异常自主诊断方法 | |
CN111178576B (zh) | 基于炼化装置运行数据的操作优化方法 | |
CN113255207A (zh) | 基于迭代多输出-马尔科夫链的空分***氩馏分变量多步预测方法 | |
CN110262410A (zh) | 一种数据驱动的生产线设备调配控制方法 | |
CN117272704B (zh) | 一种面向多源异构数据的数字孪生驱动的数据处理*** | |
CN114545764B (zh) | 一种双重滤波加权平均的星站钟差数据融合方法 | |
CN115804278B (zh) | 一种基于水热胁迫响应的萌发生态位模型及恢复物种的优选方法 | |
CN116704007B (zh) | 一种海冰面积变化的统计方法、***、电子设备及介质 | |
CN117830881A (zh) | 基于无人机遥感的水稻损失率估算方法、装置、电子设备 |
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 |