基于迁移学习的航天器遥测数据异常检测技术

航天器遥测数据异常检测是识别航天器状态、保障航天器安全可靠运行的关键技术.然而,航天器遥测数据异常检测通常面临时序数据维度大、异常不平衡、标签样本缺乏等问题.基于数据预测的异常检测思想,提出一种基于迁移学习的深度异常检测模型.根据遥测数据时序相关性强的特点,采用具有注意力机制的长短期记忆网络建立遥测数据预测模型.为了克服航天器遥测数据异常标签少、数据维度高的问题,采用微调的迁移学习方法对预测模型进行优化,同时采用全连接层统一不同数据集维度,从而提高了迁移学习模型精度,提升异常检测水平.以美国宇航局公开的两个航天器数据集为实验对象,利用提出的异常检测方法对该数据集异常状态进行识别,结果表明,与经典异常检测算法相比,引入迁移学习能明显提升模型性能,实验结果优于目前常见的异常检测模型,证明了方法的有效性.

面向区块链的协同业务建模及其并行优化算法

针对供应链管理面临的协同高效性、信息可追溯性和信任危机等问题,提出了一个解决区块链多要素矛盾问题的并行计算模型PNSGA-Ⅲ。首先,深入挖掘区块链、链主企业和链上企业的制约关系,将链主企业成本、服务积分,链上企业参与数量以及区块链稳定性等参数具象为多级多业务协同模型;其次,从提高遗传算法产生子代缓存区的效率角度出发,将交叉变异部分并行化处理,极大缩短模型求解时间;此外,为了解决帕累托解不能相互支配的问题,采用TOPSIS计算欧氏距离并决策理想解;最后,通过10组仿真实验验证了所提模型的有效性。结果表明:PNSGA-Ⅲ的计算时间比非并行算法节约了16.37%;区块链的矛盾制约机制提供了更广泛的选择范围,增强了其适应复杂需求的能力;在动态任务流程下,经过优化的S8场景的服务积分比未优化的场景高出45%。研究为供应链管理提供了新的视角和工具。