高级搜索

基于张量分解的卫星遥测缺失数据预测算法

马友 贾树泽 赵现纲 冯小虎 范存群 朱爱军

引用本文: 马友, 贾树泽, 赵现纲, 冯小虎, 范存群, 朱爱军. 基于张量分解的卫星遥测缺失数据预测算法[J]. 电子与信息学报, doi: 10.11999/JEIT180728 shu
Citation:  You MA, Shuze JIA, Xiangang ZHAO, Xiaohu FENG, Cunqun FAN, Aijun ZHU. Missing Telemetry Data Prediction Algorithm via Tensor Factorization[J]. Journal of Electronics and Information Technology, doi: 10.11999/JEIT180728 shu

基于张量分解的卫星遥测缺失数据预测算法

    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
  • 基金项目: 国家自然科学基金(61602126),国家863计划项目(2011AA12A104)

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。

English

    1. [1]

      李平, 张路遥, 曹霞, 等. 基于潜在主题的混合上下文推荐算法[J]. 电子与信息学报, 2018, 40(4): 957–963. doi: 10.11999/JEIT170623
      LI Ping, ZHANG Luyao, CAO Xia, et al. Hybrid context recommendation algorithm based on latent topic[J]. Journal of Electronics &Information Technology, 2018, 40(4): 957–963. doi: 10.11999/JEIT170623

    2. [2]

      CHEN I F and LU Chijie. Sales forecasting by combining clustering and machine-learning techniques for computer retailing[J]. Neural Computing and Applications, 2017, 28(9): 2633–2647. doi: 10.1007/s00521-016-2215-x

    3. [3]

      MA You, WANG Shangguang, HUNG P C K, et al. A highly accurate prediction algorithm for unknown Web service QoS values[J]. IEEE Transactions on Services Computing, 2016, 9(4): 511–523. doi: 10.1109/TSC.2015.2407877

    4. [4]

      马友, 王尚广, 孙其博, 等. 一种综合考虑主客观权重的Web服务QoS度量算法[J]. 软件学报, 2014, 25(11): 2473–2485. doi: 10.13328/j.cnki.jos.004508
      MA You, WANG Shangguang, SUN Qibo, et al. Web service quality metric algorithm employing objective and subjective weight[J]. Journal of Software, 2014, 25(11): 2473–2485. doi: 10.13328/j.cnki.jos.004508

    5. [5]

      DING Shuai, LI Yeqing, WU Desheng, et al. Time-aware cloud service recommendation using similarity-enhanced collaborative filtering and ARIMA model[J]. Decision Support Systems, 2018, 107: 103–115. doi: 10.1016/j.dss.2017.12.012

    6. [6]

      KUANG Li, YU Long, HUANG Lan, et al. A personalized QoS prediction approach for CPS service recommendation based on reputation and location-aware collaborative filtering[J]. Sensors, 2018, 18(5): 1556. doi: 10.3390/s18051556

    7. [7]

      COLOMO-PALACIOS R, GARCÍA-PEÑALVO F J, STANTCHEV V, et al. Towards a social and context-aware mobile recommendation system for tourism[J]. Pervasive and Mobile Computing, 2017, 38: 505–515. doi: 10.1016/j.pmcj.2016.03.001

    8. [8]

      IGEL C and HÜSKEN M. Improving the Rprop learning algorithm[C]. The 2nd International Symposium on Neural Computation, Berlin, Germany, 2000: 115–121.

    9. [9]

      GLIGORIJEVIĆ V, PANAGAKIS Y, and ZAFEIRIOU S. Non-negative matrix factorizations for multiplex network analysis[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2019, 41(4): 928–940. doi: 10.1109/TPAMI.2018.2821146

    10. [10]

      MA Wenping, WU Yue, and GONG Maoguo. Local probabilistic matrix factorization for personal recommendation[C]. The 13th International Conference on Computational Intelligence and Security, Hong Kong, China, 2017: 97–101. doi: 10.1109/CIS.2017.00029

    11. [11]

      SHAO Lingshuang, ZHANG Jing, WEI Yong, et al. Personalized QoS prediction for web services via collaborative filtering[C]. The IEEE International Conference on Web Services, Salt Lake City, USA, 2007: 439–446. doi: 10.1109/ICWS.2007.140.

    12. [12]

      SARWAR B, KARYPIS G, KONSTAN J, et al. Item-based collaborative filtering recommendation algorithms[C]. The 10th International Conference on World Wide Web, Hong Kong, China, 2001: 285–295. doi: 10.1145/371920.372071.

    13. [13]

      KANG M G and KATSAGGELOS A K. General choice of the regularization functional in regularized image restoration[J]. IEEE Transactions on Image Processing, 1995, 4(5): 594–602. doi: 10.1109/83.382494

    14. [14]

      KATSAGGELOS A K, BIEMOND J, SCHAFER R W, et al. A regularized iterative image restoration algorithm[J]. IEEE Transactions on Signal Processing, 1991, 39(4): 914–929. doi: 10.1109/78.80914

    15. [15]

      MILLER K. Least squares methods for ill-posed problems with a prescribed bound[J]. SIAM Journal on Mathematical Analysis, 1970, 1(1): 52–74. doi: 10.1137/0501006

    16. [16]

      KOLDA T G and BADER B W. Tensor decompositions and applications[J]. SIAM Review, 2009, 51(3): 455–500. doi: 10.1137/07070111X

    17. [17]

      COMON P, TEN BERGE J M, DE LATHAUWER L, et al. Generic and typical ranks of multi-way arrays[J]. Linear Algebra and Its Applications, 2009, 430(11/12): 2997–3007. doi: 10.1016/j.laa.2009.01.014

    1. [1]

      樊劲宇, 顾红, 苏卫民, 陈金立. 基于张量分解的互质阵MIMO雷达目标多参数估计方法. 电子与信息学报,

    2. [2]

      樊劲宇, 顾红, 苏卫民, 王钊. 偶极子分离的矢量阵MIMO雷达多维角度估计算法. 电子与信息学报,

    3. [3]

      郭艳, 宋晓祥, 李宁, 钱鹏. 多变量时间序列中基于克罗内克压缩感知的缺失数据预测算法. 电子与信息学报,

    4. [4]

      马陆, 李理敏, 胡泽鑫, 梁旭文. 基于多分辨率信号分解的低轨通信卫星频谱感知. 电子与信息学报,

    5. [5]

      龚晓峰, 毛蕾, 林秋华, 徐友根, 刘志文. 基于四阶累积量张量联合对角化的多数据集联合盲源分离. 电子与信息学报,

    6. [6]

      郭胜龙, 李洋, 杨士林, 周勇胜, 洪文. 基于模型的模式简缩极化干涉数据目标分解. 电子与信息学报,

    7. [7]

      王之禹, 朱敏慧, 白有天. 基于散射模型的极化SAR数据分解. 电子与信息学报,

    8. [8]

      马俊涛, 高梅国, 董健. 基于稀疏迭代协方差估计的缺失数据谱分析及时域重建方法. 电子与信息学报,

    9. [9]

      段化军, 朱岱寅, 毛新华, 吴迪. 聚束模式SAR连续缺失数据的高分辨成像方法. 电子与信息学报,

    10. [10]

      范海燕, 周汉飞, 李禹. 利用缺失数据幅度相位估计提取多角度SAR特征. 电子与信息学报,

    11. [11]

      胡文龙, 彭海良. 遥感卫星数据接收中的最优任务分配. 电子与信息学报,

    12. [12]

      刘启, 洪文, 谭维贤, 王彦平, 吴一戎. 宽角合成孔径雷达二维缺失数据自适应幅相估计成像方法. 电子与信息学报,

    13. [13]

      李进, 金龙旭, 李国宁. 离散小波变换域非负张量分解的高光谱遥感图像压缩. 电子与信息学报,

    14. [14]

      周忠根, 水鹏朗. 基于复数据经验模式分解的天波超视距雷达瞬态干扰抑制. 电子与信息学报,

    15. [15]

      周延, 冯大政, 朱国辉, 向平叶. 空域数据分解的两级降维自适应处理方法. 电子与信息学报,

    16. [16]

      曾理, 李宗剑, 刘长江. 3D-Wedgelet分解与工业CT体数据面特征提取. 电子与信息学报,

    17. [17]

      商建, 杨汝良. TRMM卫星测雨雷达的数据处理及台风三维数据分析. 电子与信息学报,

    18. [18]

      张更新, 张有志, 周坡. 卫星数据分发系统中的分组级FEC技术性能分析. 电子与信息学报,

    19. [19]

      王炯琦, 矫媛媛, 周海银, 武云丽. 复杂卫星抖动下的星敏感器姿态测量数据处理技术. 电子与信息学报,

    20. [20]

      王娟, 王萍. 一种自适应数据逐层分解的Reed-Solomon码迭代纠错方法及应用. 电子与信息学报,

  • 图 1  预测误差在不同区间的分布

    图 2  R取值对预测精度的影响

     算法1:TFP算法
     输入:数据集$ {\cal X}\in {{\mathbb{R}}^{{{I}_{1}}\times {{I}_{2}}\times \cdots \times {{I}_{N}}}}$;
     输出:训练后的成分矩阵$ {{ A}^{\left(j \right)}}$ (j=1 to N)
     随机初始化成分矩阵$ {{ A}^{\left( j \right)}}$(j=1 to N)
     Repeat
      For each $ { A}_{{i_j}r}^{\left( j \right)}\left( {1 \le j \le N,1 \le {i_j} \le {I_j},1 \le r \le R} \right)$
       If $ g_{{i_j}r}^{\left( j \right)}{|_t} \cdot g_{{i_j}r}^{\left( j \right)}{|_{t - 1}} > 0$
        $ \delta _{ {i_j}r}^{\left( j \right)}{|_t} = {\rm{min} }\left( {\delta _{ {i_j}r}^{\left( j \right)}{|_{t - 1} } \cdot {\eta ^ + },{\rm{MaxSize}}} \right)$
        $ { A}_{{i_j}r}^{\left( j \right)}{|_{t + 1}} = { A}_{{i_j}r}^{\left( j \right)}{|_t} - {\rm{sign}}\left( {g_{{i_j}r}^{\left( j \right)}{|_t}} \right) \cdot \delta _{{i_j}r}^{\left( j \right)}{|_t}$
       Else If $ g_{{i_j}r}^{\left( j \right)} \cdot g_{{i_j}r}^{\left( j \right)}{\rm{'}} < 0$
        $ \delta _{ {i_j}r}^{\left( j \right)}{|_t} = {\rm{max} }\left( {\delta _{ {i_j}r}^{\left( j \right)}{|_{t - 1} } \cdot {\eta ^ - },{\rm {MinSize}}} \right)$
        If $ L{|_t} > L{|_{t - 1}}$
        $ { A}_{{i_j}r}^{\left( j \right)}{|_{t + 1}} = { A}_{{i_j}r}^{\left( j \right)}{|_t} + {\rm{sign}}\left( {g_{{i_j}r}^{\left( j \right)}{|_{t - 1}}} \right) \cdot \delta _{{i_j}r}^{\left( j \right)}{|_{t - 1}}$
         $ L{|_t} = 0$
        End If
       Else
        $ \delta _{{i_j}r}^{\left( j \right)}{|_t} = \delta _{{i_j}r}^{\left( j \right)}{|_{t - 1}}$
        $ { A}_{{i_j}r}^{\left( j \right)}{|_{t + 1}} = { A}_{{i_j}r}^{\left( j \right)}{|_t} - {\rm{sign}}\left( {g_{{i_j}r}^{\left( j \right)}{|_t}} \right) \cdot \delta _{{i_j}r}^{\left( j \right)}{|_t}$
       End If
      End For
     Until $ L \le \varepsilon $ or maximum iterations exhausted
    下载: 导出CSV

    表 1  TFP算法与其它5个方法的对比

    方法数据密度5%数据密度10%数据密度20%数据密度50%
    MAERMSEMAERMSEMAERMSEMAERMSE
    NMF0.61751.57890.60071.54850.59861.52330.48701.4847
    PMF0.56871.47920.49841.28420.44921.18550.40061.0820
    UPCC0.62041.40100.55131.31390.48751.23430.31141.0749
    IPCC0.68861.42780.59081.32450.44541.20940.28951.1724
    TA0.62391.40580.53601.30450.44961.20300.21061.0988
    TFP0.3815 0.9469 0.3073 0.7597 0.2270 0.5619 0.1235 0.3150
    下载: 导出CSV
  • 加载中
图(2)表(2)
计量
  • PDF下载量:  18
  • 文章访问数:  459
  • HTML全文浏览量:  321
文章相关
  • 通讯作者:  范存群, fancq@cma.gov.cn
  • 收稿日期:  2018-07-19
  • 录用日期:  2019-04-20
  • 网络出版日期:  2019-09-27
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

/

返回文章