基于注意力残差网络的航天器测控系统故障诊断

随着航天器数量的不断增加,快速而准确地对航天器测控系统进行故障诊断尤为重要。针对航天器所处空间环境变化较大、遥测数据成分复杂和故障诊断准确率不高的问题,提出了一种基于注意力残差网络(AM-ResNet)的航天器测控系统故障诊断方法。首先,将原始遥测数据转换成灰度图像;其次,将图像依次通过残差网络和注意力模块,获取具有全局依赖关系的特征图;最后经过卷积、池化操作后利用Softmax分类器进行分类,实现航天器测控系统的故障诊断。实验结果表明,所提出的基于注意力残差网络的航天器测控系统故障诊断方法可将诊断准确率提升至95.68%,与ResNet-18、AlexNet和LeNet-5故障诊断模型相比,诊断准确率分别提高了3.53%、5.62%和16.43%,验证了该方法可以有效提高航天器测控系统故障诊断性能。

基于用户潜在兴趣的知识感知传播推荐算法

知识图谱引入推荐系统可以利用知识图谱实体之间的语义关系学习用户及项目表示。基于嵌入传播的方法利用知识图谱的图结构学习相关特征,但随着传播范围增加,多跳实体间的语义相关性减小。为有效提升推荐语义表达能力并提高推荐准确度,提出基于用户潜在兴趣的知识感知传播推荐模型,该模型采用异构传播方式传播项目关联知识并迭代学习用户的潜在兴趣,以此增强模型对用户与项目的表示能力。具体地,首先图嵌入层生成用户与项目的初始化表示,随后在异构传播层中采用知识感知注意力机制区分同一层中实体之间的重要性,更精确生成目标实体的表示。随后通过用户潜在兴趣传播学习用户的高阶潜在兴趣,增强多跳实体语义相关性。最后在预测层中使用信息衰减因子区分不同传播层次的重要性,生成用户及项目的最终表示。实验表明,该模型在Last.FM与Book-Crossing两个公开数据集上AUC值相较于最先进的基线提升了2.25%与4.71%,F_(1)值分别提升3.05%和1.20%,recall@K值均优于对比的基线模型,提出的模型能有效提高推荐准确度。

基于残差网络的航天器测控系统诊断

针对由于空间环境复杂,航天器遥测信号伴随大量噪声,直接利用原始遥测信号进行故障诊断导致准确率不高的问题,提出了一种基于主成分分析(principal component analysis, PCA)和残差网络(pesidualnetwork, ResNet)的航天器测控系统故障诊断方法。将航天器测控系统遥测信号通过PCA降噪后生成灰度图;将图像输入残差网络提取深层次的特征;利用分类器实现航天器测控系统的故障诊断。结果表明,该方法的诊断准确率达到95.34%,高于其他诊断模型,可用于航天器测控系统的实际故障分类。