基于机器学习的遥测数据弹性传输方法及装置

摘要

本发明公开了一种基于机器学习的遥测数据弹性传输方法及装置，方法包括：数据采集与训练学习，发送端实时采集遥测数据并发送至接收端，同时对发送端神经网络进行训练，直至训练结果与遥测数据的偏差低于预设阈值；参数传递与数据模拟，发送端将完成训练目标的神经网络参数传递给接收端，并且接收端根据神经网络参数构建同构的神经网络并利用发送端发送的允许预测指示信息生成遥测模拟数据；预测比判与野值剔除，发送端采集遥测数据并与神经网络模拟输出结果进行比判，并结合飞控先验信息生成指示信息以用于后续处理。该方法可以动态适应遥测参数信息熵的时变特性，大幅降低遥测数据的传输容量，提升空间无线链路端到端信息传输的可靠性与灵活性。

权利要求

1.一种基于机器学习的遥测数据弹性传输方法，其特征在于，包括以下步骤：数据采集与训练学习，发送端实时采集遥测数据并发送至接收端，同时对发送端神经网络进行训练，直至训练结果与所述遥测数据的偏差低于预设阈值；

参数传递与数据模拟，所述发送端将完成训练目标的神经网络参数传递给所述接收端，并且所述接收端根据所述神经网络参数构建同构的神经网络并利用所述发送端发送的允许预测指示信息生成遥测模拟数据；以及预测比判与野值剔除，所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判，并结合飞控先验信息生成指示信息以用于后续处理，且根据不同类型的遥测参数的时变特性，采用不同的预测比判与信息传输策略，其中，对于稳态变化型遥测数据定期更新传输均值；对于缓慢变化型遥测数据，跳变点之后先传输一段原始采样数值，然后根据该段数据统计得到特征值再传输新值与斜率；对于随机变化型遥测数据，传输原始遥测数据。

2.根据权利要求1所述的基于机器学习的遥测数据弹性传输方法，其特征在于，所述预测比判与野值剔除，进一步包括：所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判；

如果所述偏差小于所述预设阈值，则向所述接收端发送允许预测指示，否则通过累积数据与所述飞控先验信息判断当前实测数据是否属于野值；

如果属于所述野值，则剔除所述当前实测数据，并向所述接收端发送所述允许预测指示，否则向所述接收端发送网络重置指示，并返回到数据采集与训练学习阶段。

3.根据权利要求2所述的基于机器学习的遥测数据弹性传输方法，其特征在于，所述发送端具体执行以下步骤：实时采集航天器各分系统传感器获得的遥测数据；

采用机器学习方法对所述遥测数据进行迭代训练，并获取输出参数；

对所述输出参数进行处理，以提取适用于构建遥测数据弹性传输模型的特征参数；

利用所述特征参数构建网络模型并进行数据模拟输出，并与所述遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测指令或所述网络重置指示；

按照预设逻辑规则向所述接收端发送所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息。

4.根据权利要求3所述的基于机器学习的遥测数据弹性传输方法，其特征在于，所述接收端具体执行以下步骤：接收发送端发送的所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息；

对所述遥测数据进行处理和显示；

根据所述特征参数与所述允许预测信息和/或所述网络重置信息，构造/重构与所述发送端同构的神经网络预测模型，并生成网络可用信息与预测输出结果；

根据所述允许预测信息与所述网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与所述预测输出结果，根据所述网络重置信息，中止本地模拟输出流程。

5.根据权利要求1所述的基于机器学习的遥测数据弹性传输方法，其特征在于，所述遥测数据的格式包含发送端组帧的时间戳或帧序号，以与所述接收端进行状态同步操作。

6.根据权利要求1所述的基于机器学习的遥测数据弹性传输方法，其特征在于，其中，采用带延时反馈的人工神经网络，其中，网络特征参数包括输入节点数、输入权重、隐藏层节点数、隐藏层权重与偏置矩阵、输出层权重与偏置矩阵，以用于所述接收端进行网络重构。

7.一种基于机器学习的遥测数据弹性传输装置，其特征在于，包括：

采集与训练模块，用于数据采集与训练学习，发送端实时采集遥测数据并发送至接收端，同时对发送端神经网络进行训练，直至训练结果与所述遥测数据的偏差低于预设阈值；

传递与模拟模块，用于参数传递与数据模拟，所述发送端将完成训练目标的神经网络参数传递给所述接收端，并且所述接收端根据所述神经网络参数构建同构的神经网络并利用所述发送端发送的允许预测指示信息生成遥测模拟数据；以及比判与剔除模块，用于预测比判与野值剔除，所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判，并结合飞控先验信息生成指示信息以用于后续处理，且根据不同类型的遥测参数的时变特性，采用不同的预测比判与信息传输策略，其中，对于稳态变化型遥测数据定期更新传输均值；对于缓慢变化型遥测数据，跳变点之后先传输一段原始采样数值，然后根据该段数据统计得到特征值再传输新值与斜率；对于随机变化型遥测数据，传输原始遥测数据。

8.根据权利要求7所述的基于机器学习的遥测数据弹性传输装置，其特征在于，所述比判与剔除模块进一步用于：所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判；

如果所述偏差小于所述预设阈值，则向所述接收端发送允许预测指示，否则通过累积数据与所述飞控先验信息判断当前实测数据是否属于野值；

如果属于所述野值，则剔除所述当前实测数据，并向所述接收端发送所述允许预测指示，否则向所述接收端发送网络重置指示，并返回到数据采集与训练学习阶段。

9.根据权利要求8所述的基于机器学习的遥测数据弹性传输装置，其特征在于，所述发送端具体包括：数据采集模块，用于实时采集航天器各分系统传感器获得的遥测数据；

网络训练模块，用于采用机器学习方法对所述遥测数据进行迭代训练，并获取输出参数；

特征提取模块，用于对所述输出参数进行处理，以提取适用于构建遥测数据弹性传输模型的特征参数；

预测比判模块，用于利用所述特征参数构建网络模型并进行数据模拟输出，并与所述遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测指令或所述网络重置指示；

数据传输模块，用于按照预设逻辑规则向所述接收端发送所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息。

10.根据权利要求9所述的基于机器学习的遥测数据弹性传输装置，其特征在于，所述接收端具体包括：数据接收模块，用于接收发送端发送的所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息；

数据处理模块，用于对所述遥测数据进行处理和显示；

网络重构模块，用于根据所述特征参数与所述允许预测信息和/或所述网络重置信息，构造/重构与所述发送端同构的神经网络预测模型，并生成网络可用信息与预测输出结果；

模拟输出模块，用于根据所述允许预测信息与所述网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与所述预测输出结果，根据所述网络重置信息，中止本地模拟输出流程。

说明书

基于机器学习的遥测数据弹性传输方法及装置

技术领域

[0001] 本发明涉及空间信息传输技术领域，特别涉及一种基于机器学习的遥测数据弹性传输方法及装置。

背景技术

[0002] 深空超远距离通信面临着发射功率受限、传输距离遥远、接收信号微弱等技术挑战，降低深空信道传输数据量是深空通信所要解决的重要技术难点。目前，国内外普遍采用有损压缩方法来减少科学应用数据传输的数据量，尤其是光学探测数据；对于遥测数据，有文献提出了实时在线压缩的方法，压缩率约40％，但该方法仅能适用于具有固定长度的遥测数据帧且抗信道误码性能不足，灵活性与可靠性有待进一步提升。

[0003] 机器学习技术作为近年来发展较快的一个研究领域，已经引起国内外航天机构与研究学者的广泛关注，并在卫星状态监测、遥测参数预测、卫星故障诊断、智能自主控制、任务数据处理等方面取得了一定的研究成果：

[0004] 1.在卫星状态监测方面，有文献通过聚类生成健康状态知识库实时监视卫星遥测状态，有文献通过挖掘隐含在遥测数据背后的规则系统而全面地构建了在轨测试的规则库，有文献基于片上系统的嵌入式在线状态监测模块结构，还有文献通过通用数学表达方式进行卫星状态表示、设计通用在轨状态分析和预警系统，实时有效获取在轨卫星的工作状态。

[0005] 2.在遥测参数预测方面，有文献通过将粒子群优化算法的搜索能力和支持向量回归机的非线性映射性能相结合得到后序遥测参数的预测，有文献通过使用浅层学习模型中的支持向量回归机与深度学习模型深度神经网络中长短期记忆网络对实测数据进行趋势预测，有文献通过改进型概率神经网络提高航天器遥测数据预测速度，还有文献通过综合应用长期遥测数据分段、时间序列模式聚类和分类、基于多序列的模式建模以及基于随机过程的模式演化过程建模方法较好地解决了卫星长期遥测数据建模问题。

[0006] 3.在卫星故障诊断方面，有文献基于BP神经网络进行离线自主学习和实时在线故障诊断对遥测数据进行实时在线诊断，有文献通过一种粒子群优化的神经网络方法实现卫星的故障预测，有文献采用粒子滤波方法建立特征参数和残差与故障模式之间的映射关系，并采用BP神经网络建立了故障诊断模型，还有文献采用粒子群算法优化小波神经网络的方法以及蚁群算法优化径向基神经网络的方法对卫星遥测数据进行故障诊断建模。

[0007] 4.在智能自主控制方面，有文献通过神经网络判断遥测数据异常与否以提高数据分析速度与快速响应处理能力，还有文献基于模糊神经网络提出一种智能化动态任务调度方法。

[0008] 5.在任务数据处理方面，有文献通过构建一个多任务的深度神经网络并对网络模型进行训练以重建高分辨率彩色图像，还有文献通过一种数据智能融合算法减小了精度低的数据源中的误差对融合结果的影响。

[0009] 综上分析可知，机器学习技术在航天领域遥测方面的相关研究与应用尚未涉及空间信息传输技术领域。

发明内容

[0010] 本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

[0011] 为此，本发明的一个目的在于提出一种基于机器学习的遥测数据弹性传输方法，该方法可以大幅降低遥测数据的传输容量，进一步提升空间无线链路端到端信息传输的可靠性与灵活性。

[0012] 本发明的另一个目的在于提出一种基于机器学习的遥测数据弹性传输装置。

[0013] 为达到上述目的，本发明一方面实施例提出了一种基于机器学习的遥测数据弹性传输方法，包括以下步骤：数据采集与训练学习，发送端实时采集遥测数据并发送至接收端，同时对发送端神经网络进行训练，直至训练结果与所述遥测数据的偏差低于预设阈值；参数传递与数据模拟，所述发送端将完成训练目标的神经网络参数传递给所述接收端，并且所述接收端根据所述神经网络参数构建同构的神经网络并利用所述发送端发送的允许预测指示信息生成遥测模拟数据；预测比判与野值剔除，所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判，并结合飞控先验信息生成指示信息以用于后续处理。

[0014] 本发明实施例的基于机器学习的遥测数据弹性传输方法，能够通过在收发两端传递必要的特征参数建立同构神经网络模型来实现遥测数据的准确预测，具有更高的数据压缩灵活性与更低的数据传输带宽需求，通过数据采集与训练学习、参数传递与数据模拟、预测比判与野值剔除等处理环节来实现遥测数据的弹性传输，提高信息传输的灵活性与可靠性，可以动态适应遥测参数信息熵的时变特性，通过学习训练构建具有一定偏差容限的预测网络，大幅降低遥测数据的传输容量，进一步提升空间无线链路端到端信息传输的可靠性与灵活性。

[0015] 另外，根据本发明上述实施例的基于机器学习的遥测数据弹性传输方法还可以具有以下附加的技术特征：

[0016] 进一步地，在本发明的一个实施例中，所述预测比判与野值剔除，进一步包括：所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判；如果所述偏差小于所述预设阈值，则向所述接收端发送允许预测指示，否则通过累积数据与所述飞控先验信息判断当前实测数据是否属于野值；如果属于所述野值，则剔除所述当前实测数据，并向所述接收端发送所述允许预测指示，否则向所述接收端发送网络重置指示，并返回到数据采集与训练学习阶段。

[0017] 进一步地，在本发明的一个实施例中，所述发送端具体执行以下步骤：实时采集航天器各分系统传感器获得的遥测数据；采用机器学习方法对所述遥测数据进行迭代训练，并获取输出参数；对所述输出参数进行处理，以提取适用于构建遥测数据弹性传输模型的特征参数；利用所述征参数构建网络模型并进行数据模拟输出，并与所述遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测指令或所述网络重置指示；按照预设逻辑规则向所述接收端发送所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息。

[0018] 进一步地，在本发明的一个实施例中，所述接收端具体执行以下步骤：接收发送端发送的所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息；对所述遥测数据进行处理和显示；根据所述特征参数与所述允许预测信息和/或所述网络重置信息，构造/重构与所述发送端同构的神经网络预测模型，并生成网络可用信息与预测输出结果；根据所述允许预测信息与所述网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与所述预测输出结果，根据所述网络重置信息，中止本地模拟输出流程。

[0019] 进一步地，在本发明的一个实施例中，所述遥测数据的格式包含发送端组帧的时间戳或帧序号，以与所述接收端进行状态同步操作。

[0020] 进一步地，在本发明的一个实施例中，其中，采用带延时反馈的人工神经网络，其中，网络特征参数包括输入节点数、输入权重、隐藏层节点数、隐藏层权重与偏置矩阵、输出层权重与偏置矩阵，以用于所述接收端进行网络重构。

[0021] 为达到上述目的，本发明另一方面实施例提出了一种基于机器学习的遥测数据弹性传输装置，包括：采集与训练模块，用于数据采集与训练学习，发送端实时采集遥测数据并发送至接收端，同时对发送端神经网络进行训练，直至训练结果与所述遥测数据的偏差低于预设阈值；传递与模拟模块，用于参数传递与数据模拟，所述发送端将完成训练目标的神经网络参数传递给所述接收端，并且所述接收端根据所述神经网络参数构建同构的神经网络并利用所述发送端发送的允许预测指示信息生成遥测模拟数据；比判与剔除模块，用于预测比判与野值剔除，所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判，并结合飞控先验信息生成指示信息以用于后续处理。

[0022] 本发明实施例的基于机器学习的遥测数据弹性传输装置，能够通过在收发两端传递必要的特征参数建立同构神经网络模型来实现遥测数据的准确预测，具有更高的数据压缩灵活性与更低的数据传输带宽需求，通过数据采集与训练学习、参数传递与数据模拟、预测比判与野值剔除等处理环节来实现遥测数据的弹性传输，提高信息传输的灵活性与可靠性，可以动态适应遥测参数信息熵的时变特性，通过学习训练构建具有一定偏差容限的预测网络，大幅降低遥测数据的传输容量，进一步提升空间无线链路端到端信息传输的可靠性与灵活性。

[0023] 另外，根据本发明上述实施例的基于机器学习的遥测数据弹性传输装置还可以具有以下附加的技术特征：

[0024] 进一步地，在本发明的一个实施例中，所述比判与剔除模块进一步用于：所述发送端采集所述遥测数据并与神经网络模拟输出结果进行比判；如果所述偏差小于所述预设阈值，则向所述接收端发送允许预测指示，否则通过累积数据与所述飞控先验信息判断当前实测数据是否属于野值；如果属于所述野值，则剔除所述当前实测数据，并向所述接收端发送所述允许预测指示，否则向所述接收端发送网络重置指示，并返回到数据采集与训练学习阶段。

[0025] 进一步地，在本发明的一个实施例中，所述发送端具体包括：数据采集模块，用于实时采集航天器各分系统传感器获得的遥测数据；网络训练模块，用于采用机器学习方法对所述遥测数据进行迭代训练，并获取输出参数；特征提取模块，用于对所述输出参数进行处理，以提取适用于构建遥测数据弹性传输模型的特征参数；预测比判模块，用于利用所述征参数构建网络模型并进行数据模拟输出，并与所述遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测指令或所述网络重置指示；数据传输模块，用于按照预设逻辑规则向所述接收端发送所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息。

[0026] 进一步地，在本发明的一个实施例中，所述接收端具体包括：数据接收模块，用于接收发送端发送的所述遥测数据、所述特征参数、所述允许预测信息和/或所述网络重置信息；数据处理模块，用于对所述遥测数据进行处理和显示；网络重构模块，用于根据所述特征参数与所述允许预测信息和/或所述网络重置信息，构造/重构与所述发送端同构的神经网络预测模型，并生成网络可用信息与预测输出结果；模拟输出模块，用于根据所述允许预测信息与所述网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与所述预测输出结果，根据所述网络重置信息，中止本地模拟输出流程。

[0027] 本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

[0028] 本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

[0029] 图1为根据本发明一个实施例的基于机器学习的遥测数据弹性传输方法的流程图；

[0030] 图2为根据本发明一个实施例的稳态变化型遥测数据示意图；

[0031] 图3为根据本发明一个实施例的缓慢变化型遥测数据周期缓变参数示意图；

[0032] 图4为根据本发明一个实施例的缓慢变化型遥测数据非周期缓变参数示意图；

[0033] 图5为根据本发明一个实施例的随机变化型遥测数据示意图；

[0034] 图6为根据本发明一个实施例的动态递归神经网络架构示意图；

[0035] 图7为根据本发明一个实施例的动态递归神经网络训练过程示意图；

[0036] 图8为根据本发明一个实施例的发送端实施流程示意图；

[0037] 图9为根据本发明一个实施例的接收端实施流程示意图；

[0038] 图10为根据本发明一个实施例的基于机器学习的遥测数据弹性传输方法预测比判效果示意图；

[0039] 图11为根据本发明一个实施例的基于机器学习的遥测数据弹性传输装置的结构示意图；

[0040] 图12为根据本发明一个具体实施例的基于机器学习的遥测数据弹性传输装置的结构示意图。

具体实施方式

[0041] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

[0042] 下面参照附图描述根据本发明实施例提出的基于机器学习的遥测数据弹性传输方法及装置，首先将参照附图描述根据本发明实施例提出的基于机器学习的遥测数据弹性传输方法。

[0043] 图1是本发明一个实施例的基于机器学习的遥测数据弹性传输方法的流程图。

[0044] 如图1所示，该基于机器学习的遥测数据弹性传输方法包括以下步骤：

[0045] 在步骤S101中，数据采集与训练学习，发送端实时采集遥测数据并发送至接收端，同时对发送端神经网络进行训练，直至训练结果与遥测数据的偏差低于预设阈值。

[0046] 可以理解的是，本发明实施例首先进行数据采集与训练学习，发送端实时采集遥测数据并向接收端发送，同时对发送端神经网络进行训练，直至训练结果与实测数据的偏差低于工程设定阈值。其中，接收端无须向发送端反馈信息，适用于具有长传输延时特性的单向遥测数据传输场景。

[0047] 进一步地，在本发明的一个实施例中，遥测数据的格式包含发送端组帧的时间戳或帧序号，以与接收端进行状态同步操作。

[0048] 可以理解的是，遥测数据格式可以包含发送端组帧的时间戳或帧序号，用于接收端进行状态同步操作。

[0049] 具体而言，关于遥测数据的分类具体包括：

[0050] 航天器遥测数据是典型的时间序列，由于各个分系统传感器采集到的物理量、数据精度并不相同，因此遥测数据会包含不同数量、物理含义以及测量精确度的遥测参量，一般设置的遥测参数有温度、电压、电流、状态等，且不同遥测参数也具有不同的时间变化趋势，相应的网络特征参数也就有所不同。

[0051] 与科学应用数据的高不确定性不同，遥测数据面向航天器平台及载荷设备的工作状态，各参数的时序变化具有一定的规律，且易受外部控制或环境因素影响。本发明实施例从遥测数据时序变化趋势方面将航天器关键遥测数据划分为稳态变化型、缓慢变化型、随机变化型3类，缓慢变化型又进一步分为周期缓变参数与非周期缓变参数，其中：

[0052] (1)稳态变化型：具有较为稳定的均值、方差较小，偶有野值，如图2所示(某卫星实测MEMS参数)。

[0053] (2)缓慢变化型：周期缓变参数：在时序上体现出稳定的变化周期，数据取值也呈周期变化，如图3所示(某卫星实测遥测循环帧计数)；非周期缓变参数：在时序上体现出分段变化趋势，数据取值具有时序函数特征，如线性函数、正弦函数等，偶有野值，如图4所示(某卫星蓄电池组温度)。

[0054] (3)随机变化型：数据变化规律并不明显，虽然具有均值但方差较大，如图5所示(某卫星GPS锁定卫星个数)。

[0055] 进一步地，在本发明的一个实施例中，其中，采用带延时反馈的人工神经网络，其中，网络特征参数包括输入节点数、输入权重、隐藏层节点数、隐藏层权重与偏置矩阵、输出层权重与偏置矩阵，以用于接收端进行网络重构。

[0056] 可以理解的是，本发明实施例采用带延时反馈的人工神经网络，网络特征参数包括输入节点数(关联长度)、输入权重、隐藏层节点数、隐藏层权重与偏置矩阵、输出层权重与偏置矩阵等，用于接收端进行网络重构。

[0057] 具体而言，本发明实施例中使用的机器学习方法具体包括：

[0058] 本发明实施例可以采用基于动态递归神经网络的特征参数最优化方法作为机器学习方法。该方法以改进的Elman网络作为动态递归神经网络架构，通过调整网络输入层节点数、承接层的层数与节点数等网络特征参数对遥测时间序列的预测效果进行迭代优选，不仅具有适应时变特性的能力，还增强了网络预测能力，可用来对多种类型的遥测数据进行预测建模。

[0059] 本发明实施例的神经网络可分为4层，如图6所示，包括输入层、隐藏层、承接层和输出层，其中：输入层完成遥测数据输入；输出层进行遥测数据加权求和；隐藏层的激励函数取Signmoid非线性函数。本发明对神经网络的承接层进行了改进，从标准Elman网络的单层结构改进为多层结构，隐藏层的输出结果通过承接层的延迟与存储，通过内部自联方式回接到隐藏层的输入，可用来记忆隐藏层前一时刻或前N个时刻的输出值，等效为具有单步或多步延迟的延时算子，增加了网络本身处理动态信息的能力，从而达到动态建模的目的。

[0060] 该方法的数据表达式如下所示：

[0061]

[0062]

[0063]

[0064] 其中，y为m维输出层节点向量，该发明中m取值为1；x为n维隐藏层节点向量，n取值可根据训练效果进行迭代调整；u为r维输入层节点向量，r取值可根据训练效果进行迭代调整； 为n维反馈状态向量，j为层序号，取值为1～k，k为层数，k取值可调整； 为隐藏层到输出层连接权值； 为输入层到隐藏层连接权值； 为承接层到隐藏层连接权值；g(·)为输出神经元的传递函数，是隐藏层输出的线性组合，本发明实施例采用改进的ReLU函数，用R(·)表示；f(·)为隐藏层神经元的传递函数，本发明实施例采用Signmoid函数，用S(·)表示。

[0065] 另外，本发明实施例采用监督学习方法进行网络训练，优化算法选用与标准BP神经网络相同的梯度下降算法，具体说明如下。

[0066] 误差函数采用MSE(Mean Squared Error)，即均方误差，数理统计中均方误差是指参数估计值与参数真值之差平方的期望值，具体公式为：

[0067]

[0068] 其中，yt为t时刻(t＝1,2,…,N)网络输出结果即预测值， 为t时刻遥测数据即目标值。

[0069] 输入层节点取值进行归一化处理，即ut∈[0,1]；输出层节点取值进行反归一化处理。

[0070] 输出层激活函数为改进的ReLU函数PReLU，即：

[0071]

[0072] 其中，a取值为1，则有：

[0073] R(x)＝x,R′(x)＝1   (6)，

[0074] 隐藏层激活函数为Signmoid函数，即：

[0075]

[0076] 则有其导数为：

[0077] S′(x)＝S(x)×(1-S(x))   (8)。

[0078] 网络训练目标是使得MSE最小化，因此网络训练过程就是不断迭代修正各层节点权重与偏置量的取值使得MSE最小的优化过程。网络模型参数主要包括输入层节点数、隐藏层节点数、承接层延迟反馈网络层数等，初始化参数主要包括最大迭代次数、最小梯度取值、学习率等。

[0079] 从算法上来分析，网络训练过程就是梯度下降结合误差反向传递，具体说明如图7所示。以输出层权重与偏置迭代计算为例，有：

[0080]

[0081]

[0082] 其中，l表示迭代次序，α表示权重变化率，β表示偏置变化率，上述公式表明，该方法可以根据当前轮次预测值与目标值的偏差统计量(MSE)，计算得到下一轮次迭代权重与偏置的调整量，可进一步降低MSE取值，达到迭代优化的目的。

[0083] 在步骤S102中，参数传递与数据模拟，发送端将完成训练目标的神经网络参数传递给接收端，并且接收端根据神经网络参数构建同构的神经网络并利用发送端发送的允许预测指示信息生成遥测模拟数据。

[0084] 可以理解的是，参数传递与数据模拟，发送端将完成训练目标的神经网络参数传递给接收端，接收端据此构建同构的神经网络并利用发送端发送的允许预测指示信息产生遥测模拟数据。

[0085] 在步骤S103中，预测比判与野值剔除，发送端采集遥测数据并与神经网络模拟输出结果进行比判，并结合飞控先验信息生成指示信息以用于后续处理。

[0086] 可以理解的是，预测比判与野值剔除，发送端采集遥测数据并与神经网络模拟输出结果进行比判，结合飞控先验信息形成允许预测、剔除野值、网络重置等指示信息用于后续处理。

[0087] 进一步地，在本发明的一个实施例中，预测比判与野值剔除，进一步包括：发送端采集遥测数据并与神经网络模拟输出结果进行比判；如果偏差小于预设阈值，则向接收端发送允许预测指示，否则通过累积数据与飞控先验信息判断当前实测数据是否属于野值；如果属于野值，则剔除当前实测数据，并向接收端发送允许预测指示，否则向接收端发送网络重置指示，并返回到数据采集与训练学习阶段。

[0088] 需要说明的是，弹性传输体现在多遥测参数共同传输上，即不同类型的遥测参数体现出不同的时变特性，需要采用不同的预测比判与信息传输策略，因此带来各遥测参数信息传输量的差异性，使得总体遥测串行数据流在单位时间内的信息传输统计量呈现出弹性特征，即遥测数据压缩效率呈现出弹性时变特性。

[0089] 具体而言，根据遥测数据分类，本发明实施例提出相应的预测比判与信息传输策略，具体如下：

[0090] 策略1：定期更新传输均值，后续接收端据此预测即可。该策略用于稳态变化型遥测数据的预测比判与信息传输。

[0091] 策略2：跳变点之后先传输一段原始采样数值，然后根据该段数据统计得到特征值再传输新值与斜率，后续接收端据此预测即可。该策略用于缓慢变化型遥测数据的预测比判与信息传输。

[0092] 策略3：传输原始遥测数据。该策略用于随机变化型遥测数据预测比判与信息传输。

[0093] 下面对本发明实施例的发送端和接收端进行进一步阐述。

[0094] 遥测数据发送端，用于完成采集数据、训练网络、预测比判、传输数据及特征参数等。进一步地，在本发明的一个实施例中，如图8所示，发送端具体执行以下步骤：实时采集航天器各分系统传感器获得的遥测数据；采用机器学习方法对遥测数据进行迭代训练，并获取输出参数；对输出参数进行处理，以提取适用于构建遥测数据弹性传输模型的特征参数；利用征参数构建网络模型并进行数据模拟输出，并与遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测指令或网络重置指示；按照预设逻辑规则向接收端发送遥测数据、特征参数、允许预测信息和/或网络重置信息。

[0095] 遥测数据接收端，用于完成数据接收、网络重构、模拟输出等。进一步地，在本发明的一个实施例中，如图9所示，接收端具体执行以下步骤：接收发送端发送的遥测数据、特征参数、允许预测信息和/或网络重置信息；对遥测数据进行处理和显示；根据特征参数与允许预测信息和/或网络重置信息，构造/重构与发送端同构的神经网络预测模型，并生成网络可用信息与预测输出结果；根据允许预测信息与网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与预测输出结果，根据网络重置信息，中止本地模拟输出流程。

[0096] 下面通过具体实施例的方式对基于机器学习的遥测数据弹性传输方法进行进一步阐述。

[0097] 以某卫星MEMS_X遥测采集数据传输为例，采用本发明实施例方法得到的预测比判方面的工作效果如图10所示，其MSE统计估值为7.3538e-05。

[0098] 以某卫星2018年6月全部实时遥测数据为例，对该发明在信息传输方面的工作效果进行如下说明。

[0099] (1)遥测数据概述

[0100] 参数个数：共计31个，除去帧计数共计30个物理参数；

[0101] 卫星跟踪弧段：122个；

[0102] 采集数据总数：12619个；

[0103] 各跟踪段采样数据个数：

[0104] 51 137 98 139 136 81 16 143 11 122 117 132 104 84 136 112 9 104 138 47 67 141 133 103 128 79 107 129 123 121 43 141 92 19 104 137 85 142 25 121 
118 133 105 83 135 111 132 139 50 61 142 131 104 80 106 128 122 120 35 139 90 
136 135 86 141 32 118 121 130 106 81 136 107 119 141 51 53 141 130 108 42 79 
80 104 130 119 122 26 139 84 122 136 89 139 40 118 123 128 107 78 137 106 131 
141 62 52 140 129 107 120 84 102 133 118 11 141 81 118 130 94 138 46[0105] 假定：每个遥测参数用4字节浮点数表示。

[0106] (2)采用策略1传输遥测参数的工作效果分析

[0107] 所属参数：共计8个；

[0108] 各参数原始数据量：12619个时刻点*4字节＝50476字节；

[0109] 策略1原始数据总量：50476字节*8个参数＝403808字节；

[0110] 策略1更新次数：间隔60个点更新一次，则共计12619/60≈211个时刻点；

[0111] 策略1各参数更新数据量：211个时刻点*4字节＝844字节；

[0112] 策略1更新数据总量：844字节*8个参数＝6752字节。

[0113] (3)采用策略2传输遥测参数的工作效果分析

[0114] 所属参数：共计15个；

[0115] 策略2各参数原始数据量：12619个时刻点*4字节＝50476字节；

[0116] 策略2原始数据总量：50476字节*15个参数＝757140字节；

[0117] 策略2更新次数：间隔60个点更新一次，122个跟踪弧段中各段更新次数为：

[0118] 1 3 2 3 3 2 1 3 1 3 2 3 2 2 3 2 1 2 3 1 2 3 3 2 3 2 2 3 3 3 1 3 2 1 2 3 2 3 1 3 2 3 2 2 3 2 3 3 1 2 3 3 2 2 2 3 3 2 1 3 2 3 3 2 3 1 2 3 3 2 2 3 2 2 
3 1 1 3 3 2 1 2 2 2 3 2 3 1 3 2 3 3 2 3 1 2 3 3 2 2 3 2 3 3 2 1 3 3 2 2 2 2 3 
2 1 3 2 2 3 2 3 1，共计278个时刻点；

[0119] 策略2各参数更新数据量：278个时刻点*(4字节原始数据+4字节系数+4字节斜率)＝3336字节；

[0120] 策略2更新数据总量：3336字节*15个参数＝50040字节。

[0121] (4)采用策略3传输遥测参数的工作效果分析

[0122] 所属参数：共计7个；

[0123] 策略3各参数原始数据量：12619个时刻点*4字节＝50476字节；

[0124] 策略3原始数据总量：50476字节*7个参数＝353332字节；

[0125] 策略3各参数更新数据量：12619个时刻点*4字节＝50476字节；

[0126] 策略3更新数据总量：50476字节*7个参数＝353332字节。

[0127] (5)总信息传输效果计算如下：

[0128] 策略1原始数据总量：50476字节*8个参数＝403808字节；

[0129] 策略2原始数据总量：50476字节*15个参数＝757140字节；

[0130] 策略3原始数据总量：50476字节*7个参数＝353332字节；

[0131] 策略1更新数据总量：844字节*8个参数＝6752字节；

[0132] 策略2更新数据总量：3336字节*15个参数＝50040字节；

[0133] 策略3更新数据总量：50476字节*7个参数＝353332字节；

[0134] 比例＝更新数据总量/原始数据总量

[0135] ＝(6752+50040+353332)/(403808+757140+353332)≈0.2708

[0136] 通过上述分析可知，该实施例采用本发明承载某卫星遥测数据所需信道容量约为原始遥测数据量的27％。

[0137] 进一步分析可知，本发明实施例的遥测数据传输压缩效率与航天器三类遥测参数所占比例关系尤其是随机型数据所占比重密切相关，设随机型遥测参数占总遥测参数的比例为p，则本发明实施例的压缩率极限取值为p。以该实施例为例，随机型遥测参数占比约为23.33％，因此上述实施例中遥测数据传输压缩率极限取值为23.33％。通常情况下，航天器遥测参数大多具有一定的变化规律，随机型遥测参数所占比重较低，因此本发明实施例具有良好的数据压缩效果(若某航天型号任务中随机型遥测参数占比仅为1％，则本发明实施例的遥测数据传输压缩率极限取值则逼近1％)。由此可知，本发明实施例可大幅降低遥测数据传输信道带宽需求。

[0138] 根据本发明实施例提出的基于机器学习的遥测数据弹性传输方法，能够通过在收发两端传递必要的特征参数建立同构神经网络模型来实现遥测数据的准确预测，具有更高的数据压缩灵活性与更低的数据传输带宽需求，通过数据采集与训练学习、参数传递与数据模拟、预测比判与野值剔除等处理环节来实现遥测数据的弹性传输，提高信息传输的灵活性与可靠性，可以动态适应遥测参数信息熵的时变特性，通过学习训练构建具有一定偏差容限的预测网络，大幅降低遥测数据的传输容量，进一步提升空间无线链路端到端信息传输的可靠性与灵活性。

[0139] 其次参照附图描述根据本发明实施例提出的基于机器学习的遥测数据弹性传输装置。

[0140] 图11是本发明一个实施例的基于机器学习的遥测数据弹性传输装置的结构示意图。

[0141] 如图11所示，该基于机器学习的遥测数据弹性传输装置10包括：采集与训练模块100、传递与模拟模块200和比判与剔除模块300。

[0142] 其中，采集与训练模块100用于数据采集与训练学习，发送端实时采集遥测数据并发送至接收端，同时对发送端神经网络进行训练，直至训练结果与遥测数据的偏差低于预设阈值。传递与模拟模块200用于参数传递与数据模拟，发送端将完成训练目标的神经网络参数传递给接收端，并且接收端根据神经网络参数构建同构的神经网络并利用发送端发送的允许预测指示信息生成遥测模拟数据。比判与剔除模块300用于预测比判与野值剔除，发送端采集遥测数据并与神经网络模拟输出结果进行比判，并结合飞控先验信息生成指示信息以用于后续处理。本发明实施例的装置10可以动态适应遥测参数信息熵的时变特性，通过学习训练构建具有一定偏差容限的预测网络，大幅降低遥测数据的传输容量，进一步提升空间无线链路端到端信息传输的可靠性与灵活性。

[0143] 进一步地，在本发明的一个实施例中，比判与剔除模块300进一步用于：发送端采集遥测数据并与神经网络模拟输出结果进行比判；如果偏差小于预设阈值，则向接收端发送允许预测指示，否则通过累积数据与飞控先验信息判断当前实测数据是否属于野值；如果属于野值，则剔除当前实测数据，并向接收端发送允许预测指示，否则向接收端发送网络重置指示，并返回到数据采集与训练学习阶段。

[0144] 进一步地，在本发明的一个实施例中，发送端具体包括：数据采集模块、网络训练模块、特征提取模块、预测比判模块和数据传输模块。

[0145] 其中，数据采集模块用于实时采集航天器各分系统传感器获得的遥测数据。网络训练模块用于采用机器学习方法对遥测数据进行迭代训练，并获取输出参数。特征提取模块用于对输出参数进行处理，以提取适用于构建遥测数据弹性传输模型的特征参数。预测比判模块用于利用征参数构建网络模型并进行数据模拟输出，并与遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测指令或网络重置指示。数据传输模块用于按照预设逻辑规则向接收端发送遥测数据、特征参数、允许预测信息和/或网络重置信息。

[0146] 具体而言，发送端工作模块包括：

[0147] 数据采集模块，用于实时采集航天器各分系统传感器获得的遥测数据，并为网络训练模块、预测比判模块、数据传输模块提供输入数据；

[0148] 网络训练模块，采用机器学习方法对数据采集模块提供的遥测数据进行迭代训练，并将训练结果送至特征提取模块，训练目标与网络参数可根据工程需要进行设计与调整；

[0149] 特征提取模块，对网络训练模块提供的输出参数进行处理，提取适用于构建遥测数据弹性传输模型的特征参数并发送至预测比判模块、数据输出模块，不同物理量可用不同特征参数集表征；

[0150] 预测比判模块，利用特征提取模块提供的特征参数构建网络模型进行数据模拟输出，并与数据采集模块提供的实时遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测发送给数据传输模块，或形成网络重置信息发送给数据传输模块并重启网络训练模块；

[0151] 数据传输模块，接收数据采集模块的原始遥测数据、特征提取模块的网络特征参数、预测比判模块的允许预测或网络重置信息，并按照一定的逻辑规则向接收端发送。

[0152] 其中，发送端各模块之间传递的信息如图12所示，主要包括：

[0153] (1)S_In：航天器各分系统传感器测得的遥测数据；

[0154] (2)S1：原始遥测数据；

[0155] (3)S2：神经网络训练结果；

[0156] (4)S3：网络训练模块重启指令；

[0157] (5)S4：允许预测信息/网络重置信息；

[0158] (6)S5：网络特征参数；

[0159] (7)S_Out：原始遥测数据/网络特征参数/允许预测信息/网络重置信息。

[0160] 进一步地，在本发明的一个实施例中，接收端具体包括：数据接收模块、数据处理模块、网络重构模块和模拟输出模块。

[0161] 其中，数据接收模块用于接收发送端发送的遥测数据、特征参数、允许预测信息和/或网络重置信息。数据处理模块用于对遥测数据进行处理和显示。网络重构模块用于根据特征参数与允许预测信息和/或网络重置信息，构造/重构与发送端同构的神经网络预测模型，并生成网络可用信息与预测输出结果。模拟输出模块用于根据允许预测信息与网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与预测输出结果，根据网络重置信息，中止本地模拟输出流程。

[0162] 具体而言，接收端工作模块包括：

[0163] 数据接收模块，接收发送端发送的原始遥测数据、网络模型特征参数或允许预测指示信息，将原始遥测数据送往数据处理模块、将网络模型特征参数或网络重置信息送往网络重构模块、将允许预测或网络重置信息送往模拟输出模块；

[0164] 数据处理模块，对数据接收模块或模拟输出模块发送的遥测数据进行处理显示；

[0165] 网络重构模块，根据数据接收模块提供的网络模型特征参数与网络重置信息，构造/重构与发送端同构的神经网络预测模型，与模拟输出模块交互网络可用信息与预测输出结果；

[0166] 模拟输出模块，根据数据接收模块发送的允许预测信息与网络重构模块发送的网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与网络重构模块交互遥测数据预测结果，并发送给数据处理模块；根据数据接收模块发送的网络重置信息，中止本地模拟输出流程。

[0167] 其中，接收端各模块之间传递的信息如图12所示，主要包括：

[0168] (1)R_In：原始遥测数据/网络特征参数/允许预测信息/网络重置信息；

[0169] (2)R1：原始遥测数据；

[0170] (3)R2：网络特征参数/网络重置信息；

[0171] (4)R3：允许预测信息/网络重置信息；

[0172] (5)R4：网络可用信息/预测控制信息/预测结果；

[0173] (6)R5：模拟遥测数据。

[0174] 下面结合附图12对基于机器学习的遥测数据弹性传输装置进行进一步阐述。

[0175] 基于机器学习的遥测数据弹性传输装置系统如图12所示，主要包括航天器各分系统遥测传感器、发送端、空间通信链路、接收端等4个部分，其中发送端与接收端是该装置的核心模块。

[0176] (1)航天器各分系统遥测传感器

[0177] 航天器各分系统遥测传感器负责完成航天器平台及载荷设备各单元器件工作状态与航天器环境状态信息采集以形成遥测数据，并通过航天器总线网络与发送端进行数据交互。

[0178] 遥测传感器设备类型多样、测量物理量各具特点，数据精度由传感器测量精度、数字量表征位宽、遥测采集周期等因素决定，各遥测数据具有动态时变特性。

[0179] (2)发送端

[0180] 发送端用于完成采集数据、训练网络、预测比判、传输数据及特征参数等工作，如图1所示，主要包括：

[0181] 模块SM-1：数据采集模块，用于实时采集航天器各分系统传感器测得的遥测数据，并为模块SM-2、模块SM-4、模块SM-5提供输入数据；

[0182] 模块SM-2：网络训练模块，采用机器学习方法对模块SM-1提供的遥测数据进行迭代训练，并将训练结果提供给模块SM-3，训练目标与网络参数可根据工程需要进行设计与调整；

[0183] 模块SM-3：特征提取模块，对模块SM-2提供的输出参数进行处理，提取适于构建遥测数据弹性传输模型的特征参数并送至模块SM-4、模块SM-5，不同物理量可用不同特征参数集表征；

[0184] 模块SM-4：预测比判模块，利用模块SM-3提供的特征参数构建网络模型进行数据模拟输出，并与模块SM-1提供的实时遥测数据进行比判，按需进行野值剔除并根据比判结果形成允许预测信息发送给模块SM-5，或形成网络重置信息发送给模块SM-5并重启模块SM-2；

[0185] 模块SM-5：数据传输模块，接收模块SM-1的原始遥测数据、模块SM-3的网络特征参数、模块SM-4的允许预测或网络重置信息，并按照一定的逻辑规则向接收端发送。

[0186] (3)空间通信链路

[0187] 空间通信链路负责完成发送端遥测数据与指示信息的信道编译码、调制解调、无线传播等物理层与数据链路层工作，由信道编译码器、调制解调器、上下变频器、高功率放大器、低噪声放大器、锁相环、高增益天线等器件组成。

[0188] 空间通信链路的主要指标包括信道容量、传输时延、误码率等，由通信单元器件水平、航天器飞行轨道、空间环境等因素所决定，各指标具有动态时变特性。

[0189] (4)接收端

[0190] 接收端用于完成数据接收、数据处理、网络重构、模拟输出等工作，如图1所示，主要包括：

[0191] 模块RM-1：数据接收模块，接收发送端通过空间通信链路发送的原始遥测数据、网络模型特征参数或允许预测指示信息，将原始遥测数据送往模块RM-2、将网络模型特征参数或网络重置信息送往模块RM-3、将允许预测或网络重置信息送往模块RM-4；

[0192] 模块RM-2：数据处理模块，对模块RM-1或模块RM-4发送的遥测数据进行处理；

[0193] 模块RM-3：网络重构模块，根据模块RM-1提供的网络模型特征参数与网络重置信息，构造/重构与发送端同构的神经网络预测模型，与模块RM-4交互网络可用信息与预测输出结果；

[0194] 模块RM-4：模拟输出模块，根据模块RM-1发送的允许预测信息与模块RM-3发送的网络可用信息，启动遥测数据本地模拟输出流程，以时间驱动方式与模块RM-3交互预测控制信息，获取模块RM-3发送的预测结果并转发给模块RM-2；根据模块RM-1发送的网络重置信息，中止本地模拟输出流程。

[0195] 需要说明的是，前述对基于机器学习的遥测数据弹性传输方法实施例的解释说明也适用于该实施例的基于机器学习的遥测数据弹性传输装置，此处不再赘述。

[0196] 根据本发明实施例提出的基于机器学习的遥测数据弹性传输装置，能够通过在收发两端传递必要的特征参数建立同构神经网络模型来实现遥测数据的准确预测，具有更高的数据压缩灵活性与更低的数据传输带宽需求，通过数据采集与训练学习、参数传递与数据模拟、预测比判与野值剔除等处理环节来实现遥测数据的弹性传输，提高信息传输的灵活性与可靠性，可以动态适应遥测参数信息熵的时变特性，通过学习训练构建具有一定偏差容限的预测网络，大幅降低遥测数据的传输容量，进一步提升空间无线链路端到端信息传输的可靠性与灵活性。

[0197] 此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

[0198] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

[0199] 尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。