本發(fā)明涉及一種自適應多任務平衡并行的衛(wèi)星星座遙測數(shù)據監(jiān)測方法，屬于航天航空。

背景技術：

1、遙測數(shù)據監(jiān)測是衛(wèi)星狀態(tài)評估和管理領域的熱點研究問題，隨著微小衛(wèi)星的制造、發(fā)射成熟的日益發(fā)展和成熟，其成本大大降低，由大量衛(wèi)星組成的衛(wèi)星星座以其寬覆蓋、低延時、高可靠等多項優(yōu)勢成為發(fā)展的重點，星座網絡中的衛(wèi)星由于需要協(xié)同完成某項特定任務，可能涉及到信號探測、區(qū)域定位、信息獲取等多個環(huán)節(jié)，因而衛(wèi)星星座的構成也是高度耦合、局部異構的，加上衛(wèi)星自身運行模式復雜、內部系統(tǒng)間的耦合度高、且遙測通道參量較為豐富，而往往實際場景中針對遙測參數(shù)進行監(jiān)測的計算資源有限，因此，捕捉各遙測通道間的共享信息，實現(xiàn)各遙測通道監(jiān)測任務的前期復用對多維衛(wèi)星星座遙測通道進行同時監(jiān)測的方法首先成為研究的熱點。

2、現(xiàn)有技術中，中國空間技術研究院(cn115575989)采用長短期記憶網絡對多個通道衛(wèi)星遙測數(shù)據進行時間序列分析，學習遙測數(shù)據間的時間依賴關系，從而預測未來的遙測數(shù)據模式，為后續(xù)衛(wèi)星單機或分系統(tǒng)級別的異常的發(fā)現(xiàn)作前期鋪墊，但由于長短期記憶神經網絡雖然能夠捕捉多個時間維度上的動態(tài)演化信息，卻在衛(wèi)星星座網絡拓撲關系和衛(wèi)星各個部件的遙測數(shù)據相互關系捕捉上有所欠缺，同時難以兼顧不同衛(wèi)星、不同屬性部件的演化特性，導致難以實現(xiàn)精細化的衛(wèi)星星座部件級運行狀態(tài)建模，而本發(fā)明的技術方案采用多部件級解碼器架構實現(xiàn)細粒度的衛(wèi)星遙測數(shù)據精細化監(jiān)測，以較少的參數(shù)量增加，實現(xiàn)并行動態(tài)捕捉星座中各個子部分、各類型部件的遙測數(shù)據變化模式，為后續(xù)實現(xiàn)部件級的異常精準定位提供前期基礎；南京航空航天大學(cn117688496)通過因果-自動學習的圖神經網絡結構對多維遙測通道進行同時監(jiān)測，但沒有考慮星座中各個型號衛(wèi)星、衛(wèi)星中各個通道演化過程學習的難易程度，可能會出現(xiàn)模型偏向于較為容易的任務，導致各遙測通道監(jiān)測性能不平衡的問題，而本發(fā)明的技術方案采用基于方差評分比的方式對各個型號衛(wèi)星的各個通道預測任務的學習程度進行表征，自適應地優(yōu)化模型對各個型號衛(wèi)星的各個遙測通道預測任務的學習程度，減緩當前階段表現(xiàn)良好的通道的學習速度，加快當前階段表現(xiàn)較差的通道的學習速度，避免因過于偏向于某個較易學習的遙測通道而在某些較難學習的遙測通道上出現(xiàn)性能下降，提高模型在整個衛(wèi)星星座上的整體表現(xiàn)。

技術實現(xiàn)思路

1、本發(fā)明為解決現(xiàn)有技術中異構衛(wèi)星星座多遙測通道監(jiān)測性能不平衡的技術問題，進而提出一種自適應多任務平衡并行的衛(wèi)星星座遙測數(shù)據監(jiān)測方法。

2、本發(fā)明為解決上述問題采取的技術方案是：本發(fā)明提出一種自適應多任務平衡并行的衛(wèi)星星座遙測數(shù)據監(jiān)測方法，包括：

3、步驟1：獲取衛(wèi)星星座遙測時間序列數(shù)據；

4、步驟2：對衛(wèi)星星座遙測時間序列數(shù)據進行預處理；

5、步驟3：構建衛(wèi)星星座遙測數(shù)據預測模型；

6、步驟4：基于預處理后的衛(wèi)星星座遙測時間序列數(shù)據對衛(wèi)星星座遙測數(shù)據預測模型進行訓練；

7、步驟5：基于訓練后的衛(wèi)星星座遙測數(shù)據預測模型獲取每個遙測通道的預測值，并對衛(wèi)星星座遙測數(shù)據進行實時監(jiān)測。

8、可選的，步驟2中對衛(wèi)星星座遙測時間序列數(shù)據進行預處理的步驟包括：

9、步驟2.1：將衛(wèi)星星座遙測時間序列數(shù)據劃分為訓練遙測數(shù)據集和測試遙測數(shù)據集，且訓練集和測試集的比例為8:2；

10、步驟2.2：對訓練遙測數(shù)據集分通道進行標準化處理；

11、標準化處理的表達式為：

12、

13、公式(1)中，為遙測通道c在t1時刻的訓練遙測數(shù)據，μ(xtrainc)為遙測通道c所有訓練遙測數(shù)據的均值，σ(xtrainc)為遙測通道c所有訓練遙測數(shù)據的標準差。

14、可選的，步驟2.1中劃分后的訓練遙測數(shù)據集和測試遙測數(shù)據集包括xtrain、ytrain、xtest、ytest和

15、訓練遙測數(shù)據集和測試遙測數(shù)據集的表達式分別為：

16、

17、

18、公式(2)-(9)中，為遙測通道c在t1時刻的訓練遙測數(shù)據，為遙測通道c在t2時刻的測試遙測數(shù)據，xtrain為對訓練遙測數(shù)據進行窗口長度為w的切分后的數(shù)據，窗口長度w的范圍為15-35，為訓練遙測數(shù)據中時間i(包含i)到時間w+i(不包含w+i)的數(shù)據值，ytrain為對應xtrain中每個窗口向后預測p個時間步的真實訓練遙測數(shù)據，p的范圍為1-20，為訓練遙測數(shù)據中時間w+i(包含w+i)到時間w+p+i(不包含w+p+i)的數(shù)據值，xtest為測試遙測數(shù)據進行窗口長度為w的切分后的數(shù)據，為測試遙測數(shù)據中時間j(包含j)到時間w+j(不包含w+j)的數(shù)據值，ytest為對應xtest中每個窗口向后預測p個時間步的真實訓練遙測數(shù)據，為測試遙測數(shù)據中時間w+j(包含w+j)到時間w+p+j(不包含w+p+j)的數(shù)據值，t1為訓練遙測數(shù)據的時間跨度，t1的范圍為200-20000，t2為測試遙測數(shù)據的時間跨度，t2的范圍為200-20000。

19、可選的，步驟3中衛(wèi)星星座遙測數(shù)據預測模型包括多通道共享層和特定任務層；

20、多通道共享層用于對每個遙測通道間的共享信息進行表征，捕捉不同任務之間的相關性和共性；

21、特定任務層用于對衛(wèi)星星座中每個遙測通道的特性進行精細建模。

22、可選的，步驟3中構建衛(wèi)星星座遙測數(shù)據預測模型的步驟包括：

23、步驟3.1：使用單編碼器對衛(wèi)星星座每個遙測通道間的共享信息進行表征，通過共享不同任務的參數(shù)和表示，獲取每個遙測通道的特性；

24、步驟3.2：采用多編碼器的方式對衛(wèi)星星座中每個遙測通道的特性進行精細建模，構建衛(wèi)星星座遙測數(shù)據預測模型；

25、本發(fā)明采用通道解耦合的共享特征解碼方式，從共享特征中提取最有利于各遙測通道數(shù)據預測的信息，確保了各遙測通道數(shù)據預測的信息的準確性。

26、遙測通道間的共享信息進行表征的表達式為：

27、

28、公式(10)中，f(·)為對各通道間的共享信息進行表征的單編碼器模型，為訓練遙測數(shù)據中時間i(包含i)到時間w+i(不包含w+i)的數(shù)據值，為第i個時間各個遙測通道的共享特征；

29、對衛(wèi)星星座中每個遙測通道的特性進行精細建模的表達式為：

30、

31、公式(11)中，fc(·)為第c個遙測通道的共享特征解碼模型，為第i個時間各個遙測通道的共享特征，為第i個時間步第c個遙測通道的訓練預測值。

32、可選的，步驟3.1中對衛(wèi)星星座每個遙測通道間的共享信息進行表征的步驟包括：

33、步驟3.1.1：若當前衛(wèi)星星座遙測數(shù)據預測模型的模型參數(shù)包含所有遙測通道間的共享信息時，選擇自適應參數(shù)學習，將所有遙測通道間的關系表征為所述多通道共享層的網絡參數(shù)；

34、步驟3.1.2：若當前衛(wèi)星星座遙測數(shù)據預測模型的模型參數(shù)不包含所有遙測通道間的共享信息時，選擇基于訓練數(shù)據相似度學習，獲取每個遙測通道間訓練遙測數(shù)據的相似程度，基于所述每個遙測通道間訓練遙測數(shù)據的相似程度獲取每個遙測通道間的表征關系。

35、可選的，步驟4中對衛(wèi)星星座遙測數(shù)據預測模型進行訓練的步驟包括：

36、步驟4.1：將訓練遙測數(shù)據輸入衛(wèi)星星座遙測數(shù)據預測模型中，獲取第i個時間步所有遙測通道的訓練預測值；

37、步驟4.2：基于第i個時間步所有遙測通道的訓練預測值獲取時間跨度為w～t1內的第c維遙測通道的真實訓練遙測數(shù)據和第c維遙測通道的訓練預測遙測數(shù)據；

38、步驟4.3：基于第c維遙測通道的真實訓練遙測數(shù)據和第c維遙測通道的訓練預測遙測數(shù)據計算得到第c維遙測通道的當前訓練方差評分比；

39、步驟4.4：基于第c維遙測通道的當前訓練方差評分比獲取當前訓練階段第c維遙測通道占所有通道方差評分比綜合的比例；

40、步驟4.5：基于第c維遙測通道占所有通道方差評分比綜合的比例構建損失函數(shù)，獲取當前訓練階段的訓練損失；

41、步驟4.6：基于當前訓練階段的訓練損失對當前訓練階段進行調整；

42、步驟4.7：重復步驟4.3-步驟4.6，直至訓練損失小于預設值，得到訓練完成的衛(wèi)星星座遙測數(shù)據預測模型；

43、第i個時間步所有遙測通道的訓練預測值的計算公式為：

44、

45、公式(12)中，為第i個時間步所有遙測通道的訓練預測值，為第i個時間步第c個遙測通道的訓練預測值；

46、w～t1內的第c維遙測通道的真實訓練遙測數(shù)據和第c維遙測通道的訓練預測遙測數(shù)據的表達式分別為：

47、

48、公式(13)和(14)中，為時間跨度為w～t1內的模型預測的第c維遙測通道的訓練預測遙測數(shù)據，yc為時間跨度為w～t1內的第c維遙測通道的真實訓練遙測數(shù)據；

49、第c維遙測通道的當前訓練方差評分比的計算公式為：

50、

51、公式(15)中，βc是第c維遙測通道的當前訓練方差評分比；

52、當前訓練階段第c維遙測通道占所有通道方差評分比綜合的比例的計算公式為：

53、

54、公式(16)中，λc是當前訓練階段第c維遙測通道占所有通道方差評分比綜合的比例，c是總的待預測的遙測通道數(shù)；

55、損失函數(shù)的表達式為：

56、

57、公式(17)中，是訓練遙測數(shù)據第c個遙測通道第t個時間步上的真實數(shù)據，是訓練遙測數(shù)據第c個遙測通道第t個時間步上的預測數(shù)據，w是預處理階段切分數(shù)據的窗口長度，t1是訓練遙測數(shù)據的時間跨度。

58、可選的，步驟5中獲取每個遙測通道的預測值的步驟包括：

59、將測試遙測數(shù)據集輸入訓練后的衛(wèi)星星座遙測數(shù)據預測模型，得到每個遙測通道的預測值；

60、遙測通道預測值的計算公式為：

61、

62、公式(18)中，f(·)為對各通道間的共享信息進行表征的單編碼器模型，fc(·)為第c個遙測通道的共享特征解碼模型，為第j個時間步第c個遙測通道的測試預測值。

63、本發(fā)明的有益效果是：

64、1.本發(fā)明采用共享特征提取結合針對衛(wèi)星星座中不同型號衛(wèi)星的各個遙測通道并行預測的方法融合多維參數(shù)信息，使得各個遙測通道的模型在訓練過程中互相補充和增強，提升整體的數(shù)據監(jiān)測效果。

65、2.本發(fā)明采用通道解耦合的共享特征解碼方式，從共享特征中提取最有利于各遙測通道數(shù)據預測的信息。

66、3.本發(fā)明采用基于方差評分比的方式對不同型號衛(wèi)星各個通道監(jiān)測任務的學習程度進行表征，自適應地優(yōu)化模型對衛(wèi)星星座不同型號衛(wèi)星各個遙測通道監(jiān)測任務的學習程度，減緩當前階段表現(xiàn)良好的通道的學習程度，加快當前階段表現(xiàn)較差的通道的學習程度，避免因過于偏向于某個較易學習的遙測通道而在某些較難學習的遙測通道上出現(xiàn)性能下降，提高模型在衛(wèi)星星座中全部遙測通道上的整體表現(xiàn)。