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, 2020, 42(2): 403-409. 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, 2020, 42(2): 403-409. 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]

      毛秀海, 李凡, 左小磊. DNA数据存储. 电子与信息学报, 2020, 42(6): 1303-1312.

    2. [2]

      王刚, 靳彦青, 彭华, 张光伟. Lempel-Ziv-Welch压缩数据的误码纠正. 电子与信息学报, 2020, 42(6): 1436-1443.

    3. [3]

      田俊峰, 井宣. 多方参与高效撤销组成员的共享数据审计方案. 电子与信息学报, 2020, 42(6): 1534-1541.

    4. [4]

      左志斌, 常朝稳, 祝现威. 一种基于数据平面可编程的软件定义网络报文转发验证机制. 电子与信息学报, 2020, 42(5): 1110-1117.

    5. [5]

      卢丹, 白天霖. 利用信号重构的全球导航卫星系统欺骗干扰抑制方法. 电子与信息学报, 2020, 42(5): 1268-1273.

    6. [6]

      席博, 洪涛, 张更新. 卫星物联网场景下基于节点选择的协作波束成形技术研究. 电子与信息学报, 2020, 42(0): 1-9.

    7. [7]

      段永强, 王振占, 张升伟. 风云三号(D)气象卫星微波湿温度计系统建模和仿真. 电子与信息学报, 2020, 42(6): 1549-1556.

    8. [8]

      李劲松, 彭建华, 刘树新, 季新生. 一种基于线性规划的有向网络链路预测方法. 电子与信息学报, 2020, 41(0): 1-9.

    9. [9]

      褚征, 于炯. 基于随机森林的流处理检查点性能预测. 电子与信息学报, 2020, 42(6): 1452-1459.

    10. [10]

      许鹏, 王兵, 方刚, 石晓龙, 刘文斌. 基于可变剪接紊乱的乳腺癌亚型预测分析. 电子与信息学报, 2020, 42(6): 1348-1354.

    11. [11]

      刘文斌, 陈杰, 方刚, 石晓龙, 许鹏. 基于药物互作网络的协同与拮抗预测研究. 电子与信息学报, 2020, 42(6): 1420-1427.

    12. [12]

      刘焕淋, 杜理想, 陈勇, 王展鹏. 基于灾难预测多区域故障的虚拟光网络生存性映射. 电子与信息学报, 2020, 42(7): 1710-1717.

    13. [13]

      宋人杰, 张元东. 基于感兴趣区域的高性能视频编码帧内预测优化算法. 电子与信息学报, 2020, 42(0): 1-7.

  • 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:  50
  • 文章访问数:  876
  • HTML全文浏览量:  597
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
  • 刊出日期:  2020-02-01
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