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,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]

      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,

    2. [2]

      周艺华, 吉文, 杨宇光. 基于f-mOPE的数据库密文检索方案. 电子与信息学报,

    3. [3]

      吕增威, 魏振春, 韩江洪, 孙仁浩, 夏成凯. 基于多目标优化的无线传感器网络移动充电及数据收集算法. 电子与信息学报,

    4. [4]

      唐德可, 王峰, 王宏琦. 基于马尔科夫分割的单极化SAR数据洪涝水体检测方法. 电子与信息学报,

    5. [5]

      王昊, 徐晓男, 马启明. 一种利用少快拍数据的宽带干扰鲁棒性抑制算法. 电子与信息学报,

    6. [6]

      王守华, 陆明炽, 孙希延, 纪元法, 胡丁梅. 基于无迹卡尔曼滤波的iBeacon/INS数据融合定位算法. 电子与信息学报,

    7. [7]

      周治平, 李智聪. 无可信第三方的数据匿名化收集协议. 电子与信息学报,

    8. [8]

      赵国生, 张慧, 王健. 基于Tangle网络的移动群智感知数据安全交付模型. 电子与信息学报,

    9. [9]

      雒江涛, 何宸, 王俊霞. 命名数据网络中可追溯且轻量级的细粒度访问控制机制. 电子与信息学报,

    10. [10]

      田子建, 贺方圆. 一种基于分布式压缩感知的矿井目标指纹数据库建立方法. 电子与信息学报,

    11. [11]

      孟令博, 耿修瑞. 基于协峭度张量的高光谱图像异常检测. 电子与信息学报,

    12. [12]

      朱浩然, 刘云清, 张文颖. 基于灰度变换与两尺度分解的夜视图像融合. 电子与信息学报,

    13. [13]

      刘文康, 景国彬, 孙光才, 陈权, 邢孟道. 基于两步方位重采样的中轨SAR聚焦方法. 电子与信息学报,

    14. [14]

      张玉, 李天琪, 张进, 唐波. 基于集成固有时间尺度分解的IFF辐射源个体识别算法. 电子与信息学报,

    15. [15]

      关泽文, 陈建文, 鲍拯. 一种改进的基于峰值信噪比-高阶奇异值分解的天波超视距雷达自适应海杂波抑制算法. 电子与信息学报,

    16. [16]

      陆潞, 高梅国. 分布式阵列雷达基线位置和相位误差的卫星标校方法. 电子与信息学报,

    17. [17]

      韩松涛, 陈明, 李翠兰, 路伟涛. 探月卫星同波束干涉测量技术应用研究. 电子与信息学报,

    18. [18]

      贺成艳, 卢晓春, 郭际. 一种新型卫星导航信号波形畸变特性评估新方法. 电子与信息学报,

    19. [19]

      杨凌, 赵膑, 陈亮, 李媛, 张国龙. 基于回声状态网络的卫星信道在线盲均衡算法. 电子与信息学报,

    20. [20]

      达新宇, 王浩波, 罗章凯, 胡航, 倪磊, 潘钰. 基于双层多参数加权类分数阶傅里叶变换的双极化卫星安全传输方案. 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 ^ + },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 ^ - },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:  11
  • 文章访问数:  323
  • HTML全文浏览量:  225
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