基于相似度匹配的衛(wèi)星在軌狀態(tài)異變分類和識別算法.pdf

1、當前，基于對衛(wèi)星遙測數據的分析實現對人造衛(wèi)星狀態(tài)的分類和識別，是航天科技的研究熱點和難點。現有的衛(wèi)星遙測數據的分析技術大多是基于遙測數據的數學模型進行各項分析，或者是基于專家系統(tǒng)的分析。然而，這兩種方法都有各自的局限性，如：無法使用一個統(tǒng)一的數學模型應對不同種類衛(wèi)星的各個遙測數據，方法適用范圍窄；專家系統(tǒng)要求知識庫完備，而獲得完備的知識庫十分困難。針對這些不足，本文進行了基于數據驅動的，對模型不敏感的衛(wèi)星在軌狀態(tài)分類和識別的算法研究。<

2、br>　　首先，為了實現多類型的衛(wèi)星遙測數據的特征參數提取，使得算法具有通用性，本文以數據本身的特性（包括時頻域，統(tǒng)計域等各種變換域的特性）作為出發(fā)點，研究適用于衛(wèi)星遙測數據的特征提取方法，揭示信號所隱含的特征信息，最終達到提取信號的有效特征參數的目的。其次，針對遙測數據的特性，把數據挖掘領域中的兩種分類算法K-平均算法和模糊C均值算法應用到衛(wèi)星狀態(tài)的分類中，并基于數據特性做出相應的優(yōu)化和改進。然后，利用相似度匹配的方法，對已分類的各個

3、狀態(tài)進行識別。最后，使用實測衛(wèi)星數據對本文所設計的算法進行實驗驗證。
　　本文的主要成果和貢獻有：
　　1.在缺少先驗條件的情況下利用Wigner-Ville分布時頻聯合分析、小波變換進行時頻聯合分析提取信號的特征參數；
　　2.把實測信號視為時間序列，引入分形維數，對信號的分形特性進行定量描述，并以此作為信號的特征向量，這是本文的一個創(chuàng)新點；
　　3.根據實測信號的特性，設計了基于K-平均算法和基于模糊C均值算