基于改进粒子群优化的卫星遥测数据特征选择方法、装置及介质制造方法及图纸

本发明专利技术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。预测和故障诊断的优选特征数据。预测和故障诊断的优选特征数据。

【技术实现步骤摘要】
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


[0001]本专利技术实施例涉及卫星遥测数据处理
，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。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]有鉴于此，本专利技术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。
[0005]本专利技术实施例的技术方案是这样实现的：
[0006]第一方面，本专利技术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：
[0007]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；
[0008]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；
[0009]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：
[0010]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；
[0011]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；
[0012]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；
[0013]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；
[0014]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。
[0015]第二方面，本专利技术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，
[0016]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；
[0017]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；
[0018]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：
[0019]所述交叉部分，经配置为：进行优先操作交叉；
[0020]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；
[0021]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；
[0022]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；
[0023]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；
[0024]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。
[0025]第三方面，本专利技术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，
[0026]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；
[0027]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；
[0028]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。
[0029]第四方面，本专利技术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。
[0030]本专利技术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
[0031]图1为本专利技术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；
[0032]图2为本专利技术实施例提供的优先操作交叉过程示意图；
[0033]图3为本专利技术实施例提供的粒子特征选择示意图；
[0034]图4为本专利技术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；
[0035]图5为本专利技术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；
[0036]图6为本专利技术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；
[0037]图7为本专利技术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；
[0038]图8为本专利技术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
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。
[0040]参见图1，其示出了本专利技术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：
[0041]S101：基于遥测数据的原始特征集合构建本文档来自技高网...

【技术保护点】

【技术特征摘要】
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p
i
(t)；若p
i
(t)≥P
POX
，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，P
POX
为关于第i个粒子设定的概率阈值。3.根据权利要求1所述的方法，其特征在于，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：对于第t次迭代过程的第i个粒子，根据前次迭代过程的粒子在第d个维度信息的位置值速度值V
id
(t
‑
1)、最优局部粒子和最优全局粒子依照下式更新当前迭代过程的粒子位置值和速度值V
id
(t)：(t)：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)。4.根据权利要求1所述的方法，其特征在于，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F
i
(t)：其中，X
i
和X
j
表示第i个和第j个被选中的特征；I(X
i
,X
j
)表示第i个和第j个被选中的特征的互信息；n
s
表示被选中的特征数量。
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F
i
(t)小于当前迭代过程的最优局部适应度函数F_pb
i
(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_pb
i
(t)更新为当前迭代过程第i个粒子的适应度函数F
i
(t)...

【专利技术属性】
技术研发人员：刘明，赵浩天，曹喜滨，邱实，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：