6、用于遥测多元时间序列预测的神经网络集成

用于遥测多元时间序列预测的神经网络集成

1. 引言

空间遥测是一组允许远程收集航天器子系统信息的技术。这些子系统通过分析分布在各子模块的传感器读数来控制。某一时刻子系统的状态由传感器值向量描述，状态的时间序列就是传感器值向量的序列。因此，空间遥测数据是多元时间序列，对这类时间序列的预测是分析任务之一。

多元时间序列预测任务通常表述为：从已知序列的当前值 $y(k)$ 及其历史值 $y(k - 1), y(k - 2), \cdots, y(k - m)$ 来评估下一个值 $\hat{y}(k + 1)$。序列 $y(k)$ 的每个元素代表时刻 $k$ 的值向量，序列长度 $m$ 称为时间窗口。

短期预测中使用了多种技术，包括回归和时间序列分析。简单回归和多元线性回归常用，易于实现，但在某些情况下预测能力有限，特别是在处理高噪声数据的非线性关系时。大多时间序列模型属于线性时间序列预测类别，因为它们假设值与其过去值呈线性关系，自回归移动平均（ARMA）模型及其衍生模型常用于单变量分析。不过，人工神经网络（NNs）在解决复杂任务时往往表现更优，也可使用深度神经网络，但需要大量训练集。

遥测数据的处理和分析伴随着非确定性噪声，此时更适合使用神经网络技术。该技术的有效性取决于神经网络架构和学习方法，需要进行多次实验。神经网络已应用于航天器的智能决策支持系统和状态诊断。

本文研究使用神经网络集成（ENN）进行遥测参数短期预测的可能性。ENN 是一组神经网络，通过对各网络结果求平均来做决策。预测分析和机器学习常面临“概念漂移”问题，即目标变量的统计特性随时间不可预测地变化，增加了预测误差。可通过迭代学习方法提高神经网络预测效率，该方法在每次分析迭代中估计