基于改进粒子群优化LS-SVM的卫星钟差预报研究

针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化(PSO)最小二乘支持向量机(LS-SVM)的卫星钟差预报方法。通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取国际GPS服务组织(IGS)产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路。

基于人工鱼群优化LS-SVM的卫星钟差预报

针对导航卫星短期钟差预报精度不高的问题,提出了一种基于人工鱼群(AFSA)优化最小二乘支持向量机(LS-SVM)的卫星钟差预报方法。利用人工鱼群算法较强的全局寻优能力优化LS-SVM模型的惩罚参数和核宽度参数,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度。选取IGS产品中4颗典型卫星的钟差数据,分别采用人工鱼群优化LSSVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:人工鱼群优化LS-SVM模型的预报精度优于其它2种模型,尤其是在铷钟方面,预报误差在0.5ns内,运行时间在5min内。

SVM回归估计方法在卫星故障诊断中的应用

针对红外地平仪、陀螺组成的卫星姿态测量系统,研究了系统中任一姿态敏感器的故障诊断问题。首先采用Lanckriet的半正定规划方法对支持向量机核搜索空间进行优化,利用此支持向量机的回归估计方法对卫星姿态测量系统的输入输出历史数据进行学习,进而拟合得到系统输入输出间的冗余关系,并将这种对应关系应用于卫星姿态测量系统传感器的故障检测与诊断中。仿真结果表明,该方法能够正确地估计系统输入输出关系,有效地提取故障信息,而且计算过程相对简单,易于实现。

基于SVM的导航星表构造

导航恒星提取一般采用星等过滤方法MFM(Magnitude Filtering Method)。但是MFM方法存在两个明显的缺陷:若星等阈值太高,导航星表冗余度高;反之,导航星表出现视场(FOV)空洞。支持向量机SVM(Sup-port Vector Machine)作为一种可训练的机器学习方法,依靠小样本学习后的模型参数进行导航星提取,可以得到分布均匀且恒星数量大为减少的导航星表。利用SAO星表进行了实验,并对导航星表内恒星的分布情况作了统计。实验证明,SVM作为导航星提取算法具有很好的应用前景。

基于多源卫星影像SVM分类方法的研究

简要介绍了卫星影像的预处理过程——纠正和融合,对3种常用融合方法SFIM融合、HIS融合和Brovey融合进行了分析比较,在此基础上对卫星影像的分类方法进行了比较分析,重点研究并详细介绍了多源卫星影像SVM分类方法。

基于SVM的逆模型控制在挠性卫星姿态控制中的应用

针对带有挠性太阳帆板卫星的姿态控制问题,设计了基于支持向量机的逆模型控制律,采用模态分析方法对姿态模型进行简化处理;首先设计了基于支持向量机的恒衰减因子逆模型控制律,分别在无干扰、阶跃干扰和周期性干扰三种情况下进行仿真;考虑执行机构的力矩输出有限,在对恒衰减因子取不同值下的仿真结果进行分析的基础上,又分别设计了衰减因子取分段函数形式及输入限幅的控制律;仿真结果显示,设计的控制律能够使系统具有好的稳定效果和动态品质,有效地减小了挠性模态振动对姿态控制的影响,并对扰动具有一定的抑制能力。

基于ILLE和SVM的卫星执行机构系统故障检测与定位

针对某超高指向精度要求的卫星平台,采用增量式局部线性嵌入(ILLE)与支持向量机(SVM)结合的方法,研究系统配置的多组磁伺服机构的故障检测与故障定位技术。在分析执行机构故障模式以及故障影响的基础上,采用LLE算法实时提取并更新与故障相关的卫星姿态控制系统高维信息,对其进行降维及特征提取,实现执行机构系统故障检测。当检测到故障时,提取执行机构系统输入输出信息,利用支持向量机(SVM)方法进行故障定位。该方法无需采集离线数据生成样本集,直接利用卫星姿控系统产生的在线故障特征数据集进行故障检测,并能根据故障检测结果,有效地实现卫星姿控系统执行机构的故障定位。算例仿真结果验证了所提方法的有效性。

基于GA-SVM的GNSS-IR土壤湿度反演方法

针对提高大范围土壤湿度测量精度的问题,研究了土壤湿度的全球卫星导航系统干涉测量法(GNSS-IR),提出了一种基于支持向量机(SVM)的土壤湿度反演模型,利用遗传算法(GA)的自动寻优功能寻找SVM的最佳参数。结果表明,GA-SVM模型在测试集上得到的土壤湿度反演值与实测值的平均绝对百分比误差(MAPE)仅为0.69%,最大相对误差(MRE)为1.22%,线性回归方程决定系数达到了0.9569。进一步与统计回归、粒子群优化的SVM模型(PSO-SVM)及反向传播(BP)神经网络方法进行对比,结果说明:在样本数目有限的情况下,GA-SVM方法更适用于土壤湿度的GNSS-IR技术反演,且反演精度较高,泛化性能良好。

基于改进的多因素SVM算法的太阳射电暴强度检测

为实现对太阳射电暴(SRBs)强度的自动检测,提出了一种基于改进的多因素支持向量机(SVM)的SRBs强度检测方法.首先,分析SRBs对全球导航卫星系统(GNSS)信号的影响,提取能够反映接收站点SRBs强度的特征向量.根据太阳射电流量对SRBs强度进行分类标签,不同标签对应不同SRBs强度类型,训练样本由特征向量及其标签组成.其次,将具有不同标签的训练样本输入SVM分类器,进行一对一训练,得到最优分类模型.最后,将最优分类模型合成为改进的多因素SVM分类器,用于自动识别更新后的SRBs样本.实验结果表明,对于历史SRBs事件,当太阳入射角大于20°时,SRBs强度检测的平均准确率在90%以上.该算法综合考虑了多种因素,可进行SRBs强度的自动检测,与其他方法相比,该方法不依赖射电望远镜,节约了成本且检测精度更高.

基于PSO-SVM精化QP模型的短期卫星钟差预报

针对卫星钟差序列的特性,将其视作由趋势项与随机误差项组成的时间序列,提出一种基于PSO-SVM精化的二次多项式预报算法:通过QP模型建模预报钟差值以提取其趋势项,利用SVM模型对拟合阶段的残差值建模进行滚动预报,利用预报所得的差值对QP模型预报阶段的钟差值进行改进。为克服SVM算法自身参数搜索方法的缺陷,采用PSO算法选择其最优参数。实验结果表明:相较于常用算法,该方法预报精度较高,且改进了QP模型预报误差会随时间累积的缺点。

基于小波奇异值与SVM的GNSS欺骗干扰识别技术

随着无人机管制技术的迅速发展,全球导航卫星系统(Global Navigation Satellite System,GNSS)欺骗干扰信号日益增多,严重威胁卫星导航安全。对GNSS欺骗干扰信号识别技术进行了研究,提出了基于小波奇异值与支持向量机(Support Vector Machine,SVM)的GNSS欺骗干扰信号识别算法,搭建了仿真模型并进行了仿真测试验证,最后分析比较了基于北斗导航系统的欺骗干扰识别技术和基于载噪比与经纬度的欺骗干扰识别技术。结果表明,基于小波奇异值和SVM的GNSS欺骗干扰信号识别算法能够有效提高识别准确率,识别准确率可达90%。

基于SVM模型的天绘一号卫星摄影策略研究与应用

天绘一号卫星是我国第一代传输型立体测绘卫星，其配备了三线阵、多光谱、高分辨三种相机，具有观测范围广、重访周期短等优点，可在一个回归周期内实现南北纬80°以内地区无缝影像覆盖。天绘一号卫星当前及下一阶段的任务主要以区域数据更新及漏洞补缺为主，摄影策略制定在此阶段的卫星运控管理过程中发挥着关键性的作用，直接影响到卫星系统使用效率及任务完成进度。本文基于SVM模型及历史摄影数据，分析研究了卫星摄影策略，并通过实例进行了方法验证，取得了较好的预期结果。

高分六号红边波段对夏玉米种植区识别的影响

为探究高分六号卫星新增红边波段对夏玉米种植区识别的影响,选取山东省兰陵县为研究区,基于多时相高分六号宽幅相机遥感影像,构建4种波段组合方案,结合地面数据分析不同方案样本类型可分离性,采用支持向量机方法,提取研究区不同前茬作物夏玉米种植区域,分析光谱反射率变化及识别结果精度。结果表明:高分六号卫星两个红边波段都能不同程度提高不同物候期夏玉米与其他作物的区分度,较无红边波段参与相比,红边波段参与下不同作物间可分离度有一定提高;大蒜收获后、冬小麦收获后播种的夏玉米总体分类精度分别由80.1%、77.3%提高到90.3%、91.1%,分别提升10.2%和13.8%,Kappa系数分别由0.60、0.56提高至0.80、0.81。研究表明,新增红边波段可以有效提高夏玉米识别和提取精度,能够为红边波段的农业应用提供参考。

Monitoring Dynamic Change of Land Cover Based on SVM and Satellite Images in Hanoi,Vietnam

An integral method,combining support vector ma-chine (SVM) with remote-sensing analysis techniques,was ex-plored to monitor Hanoi’s dynamic change of land cover. The landsat thematic mapper (TM) image in 1993,the enhanced the-matic mapper plus (ETM+) image in 2000,and the image with the charge-coupled device camera (CCD) on the China-Brazil earth resources satellite (CBERS) in 2008 were used. Six land-cover types,including built-up areas,woodland,cropland,sand,water body and unused land,were identified. The detected results showed visually the rapid urban expansion as well as land-cover change of Hanoi from 1993 to 2008. There were 12 637.54 hm2 cropland de-creased between 1993 and 2000,and 8 227.6 hm2 cropland de-creased between 2000 and 2008. Compared with cropland,wood-land firstly decreased and then increased,and the other types did not change significantly. The results indicate that CBERS dataset has the application potential in world resources researches.

基于纹理特征和机器学习的卫星云图分类实验

准确识别云对提升天气预报和气候预测准确性有着重要意义。传统的阈值法和聚类法很难找出统一通用的阈值标准和方法,随着机器学习在云分类领域的应用和发展,分类速度和分类精度都有了明显提升。该实验对风云二号G星的红外云图进行预处理并构建卫星云图样本库,通过提取云图纹理特征再结合支持向量机(SVM)、随机森林(RF)和XGBoost分类器实现对“晴空”、“层积云或高积云”、“积雨云”、“密层云”和“卷层云”的分类。实验结果表明:(1)3种分类器对该实验云分类的平均准确率分别为RF(62.5%)>XGBoost(61.7%)>SVM(60.0%);(2)3种分类器对“层积云或高积云”的分类都最好且稳定,平均分类精度均达到了90%以上,最高为91.5%;(3)SVM对密层云(67.9%)、RF对卷层云(68.9%)、XGboost对晴空(68.3%)的分类效果次之,平均分类精度均达67%以上。

基于最小二乘支持向量机的卫星异常检测方法

异常检测技术在故障预测与健康状态管理(PHM)领域有着重要的作用,通过识别一个系统反常的运行状况,可监控卫星性能、检测故障、识别故障的根本起因,也可用于预测剩余使用寿命(RUL)以提高在轨卫星的安全性并减少其故障时间;提出了一种基于最小二乘支持向量机(LS-SVM)的用于检测在轨卫星的异常状态的方法,该方法具有良好的学习、分类和概括能力,具体过程包括数据采集和预处理、特征提取、特征选择、异常检测等步骤;利用带有故障信息的卫星电源系统真实遥测数据来对提出的方法的可行性和性能进行验证,试验中选择LS-SVM的最佳参数(γ,σ)是(120,0.05),伴随着的交叉验证率是90.6%,验证结果证明了在卫星异常检测中应用基于最小二乘支持向量机检测方法的有效性。

基于光学和雷达图像的土地覆被分类

为寻求一种有效的提高多源遥感数据土地覆被分类制图精度的方法,探讨了融合HJ1B和ALOS/PALSAR图像进行遥感图像分类制图的方法。在对光学图像HJ1B和雷达遥感数据ALOS/PALSAR进行离散小波融合的基础上,应用分类决策树CART(Classification and Regression Tree)算法对融合的图像进行了土地覆被分类制图,并将其分类结果与支持向量机SVM(Support Vector Machine)分类结果进行对比。研究结果表明:将光学和雷达图像数据进行离散小波融合,采用分类决策树CART和支持向量机SVM进行图像分类,CART的分类精度要优于SVM的结果。可见,在光学图像HJ1B和雷达数据ALOS/PALSAR融合的基础上,应用CART能有效进行地物识别,提高图像的分类精度。

基于多信息融合的海洋监视卫星侦察效能分析

基于多探测器数据融合,提出了一种应用于海洋监视卫星截获概率与目标识别分析的研究方法。建立了基于多维信息融合的截获概率理论模型,并开展了基于假定战场场景的数值仿真,仿真结果表明联合成像侦察、雷达侦察和通信侦察,可以提高对目标的截获概率;采取支持向量机方法进行了多维信息融合,融合结果表明联合成像侦察和通信侦察可以实现对目标的识别。

基于支持向量机和FY静止卫星云参数的降水预测技术

将支持向量机分类方法应用于降水与非降水的分类预测。选用FY静止卫星反演的云光学厚度、云顶温度、云顶高度、云有效粒子半径作为特征分量,以Micaps 1 h雨量资料作为是否降水的类别标签,建立预测降水与非降水的分类模型,针对安徽地区2008年5-11月资料进行分析。结果显示,降水类的预测准确率在40%～60%,非降水类的预测准确率在90%以上。在分类模型中多加入微波辐射计观测的液水路径特征分量后,所得预测结果对降水类的预测准确率有所提高。通过完善和改进分类模型,预测分类的准确率有望进一步提高,该方法对降水预测有很好的业务应用前景。

基于最小二乘支持向量机的钟差预报

为提高卫星钟差预报的精度,采用最小二乘支持向量机进行预报。对比不同核函数对LS-SVM预报精度的影响,并将其与二次多项式和灰色系统模型比较。结果表明,最小二乘支持向量机的短期(1天)预报精度明显优于另外两种模型,且线性核函数更适合最小二乘支持向量机的钟差预报。