亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于SE-TCN 網(wǎng)絡(luò)模型的太陽電池陣溫度異常檢測

        2021-11-08 12:47:14何利健陳文卿
        上海航天 2021年5期
        關(guān)鍵詞:遙測卷積電池

        何利健,張 銳,陳文卿

        (1.中國科學(xué)院 微小衛(wèi)星創(chuàng)新研究院,上海 201203;2.中國科學(xué)院大學(xué),北京 100049)

        0 引言

        太陽能電池陣是衛(wèi)星的能源供應(yīng)系統(tǒng),其性能的好壞直接決定在軌衛(wèi)星能否正常穩(wěn)定運(yùn)行。電池陣溫度作為表征電池陣工作狀態(tài)的一個重要指標(biāo),溫度異常勢必會對電池陣能源系統(tǒng)產(chǎn)生不利影響。因此,為確保衛(wèi)星健康運(yùn)行,根據(jù)電池陣歷史溫度遙測數(shù)據(jù)的變化規(guī)律,預(yù)測電池陣溫度變化趨勢,并根據(jù)預(yù)測結(jié)果評估電池陣性能狀態(tài)。

        目前,傳統(tǒng)的時序數(shù)據(jù)預(yù)測技術(shù)已相對成熟,有自回歸移動平均(Auto Regressive Moving Average,ARMA)[1]、自回歸綜合移動平均(Auto Regressive Integrated Moving Average,ARIMA)[2-3]、卡爾曼濾波[4-5]、支持向量機(jī)(Support Vector Machine,SVM)[6]、最小二 乘支持 向量機(jī)(Least Squares Support Vector Machine,LS-SVM)[7-8]和經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition,EMD)[9]等方法。這些方法研究時間長,理論成熟完善,在很多領(lǐng)域的時序數(shù)據(jù)預(yù)測場景中已得到實(shí)際應(yīng)用。但這些方法只能處理短期自相關(guān)任務(wù),難以對時間序列的長期依賴進(jìn)行建模。

        近年來深度學(xué)習(xí)快速發(fā)展,基于深度學(xué)習(xí)相關(guān)理論的時序預(yù)測方法已經(jīng)得到相關(guān)學(xué)者的高度關(guān)注,并對此做了大量研究。文獻(xiàn)[10]使用長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)作為衛(wèi)星遙測數(shù)據(jù)預(yù)測模型進(jìn)行單步預(yù)測,并提出一個自適應(yīng)閾值算法來獲取最佳閾值,最終達(dá)到遙測數(shù)據(jù)異常檢測的目的。文獻(xiàn)[11]提出一種結(jié)合雙通道卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和LSTM 的模型,并使用此模型對短期光伏功率進(jìn)行預(yù)測,取得了良好效果。文獻(xiàn)[12]對通信衛(wèi)星多維遙測數(shù)據(jù)分別建立LSTM 模型,并以最大化相關(guān)系數(shù)與F1分?jǐn)?shù)的方式,為多維遙測數(shù)據(jù)的故障判定合適的閾值。

        時序數(shù)據(jù)預(yù)測分為單步預(yù)測和多步預(yù)測,上述方法大部分是基于單步預(yù)測的解決方案,但單步預(yù)測在一些場景下無法滿足實(shí)際應(yīng)用需求。當(dāng)衛(wèi)星入境時,短期時間內(nèi)地面測控站只能獲取實(shí)時遙測數(shù)據(jù),需在入境檢測實(shí)時遙測數(shù)據(jù)是否異常。但實(shí)時遙測數(shù)據(jù)僅為工程遙測數(shù)據(jù)中某一小部分時間區(qū)間的數(shù)據(jù),單步預(yù)測無法滿足該任務(wù)需求,因此需對遙測數(shù)據(jù)做中長期的多步預(yù)測。目前對多步預(yù)測主要采用兩種策略[13]:一種策略是采用遞歸單步預(yù)測方式進(jìn)行多步預(yù)測[14-15],該方法的主要缺點(diǎn)是遞歸過程會造成誤差迅速累積,導(dǎo)致預(yù)測精度低;另一種策略是直接預(yù)測出后續(xù)多個數(shù)據(jù)點(diǎn)[16-17],以向量形式輸出,該方法可能會導(dǎo)致預(yù)測距離遠(yuǎn)的點(diǎn)難收斂,產(chǎn)生發(fā)散??紤]到太陽能電池陣溫度遙測數(shù)據(jù)具有較好周期性,且數(shù)據(jù)沒有高頻動態(tài)波動,本文選用直接預(yù)測多個數(shù)據(jù)點(diǎn)的多步預(yù)測方案。

        目前深度學(xué)習(xí)在時序預(yù)測領(lǐng)域應(yīng)用研究中,LSTM 網(wǎng)絡(luò)是使用最廣泛的方法之一,但LSTM 在長期依賴建模中,存在模型訓(xùn)練困難、模型訓(xùn)練時間長、梯度不穩(wěn)定等缺點(diǎn)。時間卷積網(wǎng)絡(luò)(Temporal Convolutional Network,TCN)[18]是一種一維卷積神經(jīng)網(wǎng)絡(luò),研究表明基于卷積網(wǎng)絡(luò)的方法已在音頻合成[19]、單詞語言建模[20-21]、機(jī)器翻譯[22]等領(lǐng)域取得優(yōu)良效果。相比于LSTM,TCN 具有更穩(wěn)定的梯度、靈活的感受野和訓(xùn)練時間短等優(yōu)點(diǎn),因此本文選用TCN 作為特征提取網(wǎng)絡(luò)。另外考慮到TCN 網(wǎng)絡(luò)在多步預(yù)測任務(wù)中,存在數(shù)據(jù)變化程度高處模型特征表征能力不足的問題,本文采用SENet[23]中的通道注意力機(jī)制對TCN 進(jìn)行改進(jìn),以增強(qiáng)TCN 網(wǎng)絡(luò)的特征提取能力。

        1 基礎(chǔ)理論

        1.1 太陽能電池陣溫度遙測信號

        本文研究對象為衛(wèi)星太陽能電池陣溫度遙測信號。因衛(wèi)星上的溫度傳感器埋點(diǎn)位置不同,不同衛(wèi)星上的溫度遙測信號存在一定差異。如圖1(a)所示為2 顆衛(wèi)星上的4 組溫度延時遙測數(shù)據(jù)。從圖中可知,4 組溫度數(shù)據(jù)都具有周期性且總體趨勢一致,但不同溫度數(shù)據(jù)的幅值大小及變化規(guī)律各有不同。因?yàn)樯窠?jīng)網(wǎng)絡(luò)具有一定的泛化能力,能高效地對同類問題進(jìn)行處理,可通過神經(jīng)網(wǎng)絡(luò)模型對溫度遙測數(shù)據(jù)進(jìn)行特征提取,而不用對每組溫度遙測數(shù)據(jù)進(jìn)行單獨(dú)建模。

        本文選用的溫度遙測數(shù)據(jù)包含部分噪聲以及異常值,如圖1(b)所示。因此,本文采用結(jié)合箱型法、多項式擬合及高斯窗函數(shù)濾波3 種方法對遙測數(shù)據(jù)進(jìn)行預(yù)處理,得到溫度遙測數(shù)據(jù)的主要變化趨勢,預(yù)處理結(jié)果如圖1(c)所示。根據(jù)文獻(xiàn)[24]表述的電池陣物理模型及仿真結(jié)果可知,本文對電池陣遙測數(shù)據(jù)進(jìn)行預(yù)處理而導(dǎo)致輕微信息丟失,對本文任務(wù)無明顯影響。

        圖1 數(shù)據(jù)清洗結(jié)果Fig.1 Data cleaning results

        1.2 TCN 網(wǎng)絡(luò)原理

        TCN 是一種一維卷積神經(jīng)網(wǎng)絡(luò),可應(yīng)用于時序數(shù)據(jù)預(yù)測領(lǐng)域。TCN 網(wǎng)絡(luò)結(jié)構(gòu)主要包含4 個部分,分別為因果卷積、膨脹卷積、殘差模塊、一維全卷積。

        1.2.1 因果卷積

        因果卷積是一種嚴(yán)格的時間約束模型,TCN 使用因果卷積來使輸入和輸出保持因果關(guān)系,保證不會出現(xiàn)未來信息泄漏的現(xiàn)象。設(shè)模型輸入為x={x0,x1,x2,…,xt,…,xT-2,xT-1,xT},輸出為y={y0,y1,y2,…,yt,…yT-2,yT-1,yT},因果卷積使t時刻的輸出yt僅與xt及其之前時刻數(shù)據(jù)有關(guān),與xt之后數(shù)據(jù)無關(guān),因果卷積如圖2 所示。

        圖2 因果膨脹卷積Fig.2 Dilated causal convolution

        1.2.2 膨脹卷積

        對于一維時序數(shù)據(jù)輸入x,濾波器為f:{0,1,…,k-1} →R,空洞卷積在t時刻的卷積結(jié)果為

        式中:d為膨脹因子;K為濾波器大小。

        膨脹因子的引入相當(dāng)于濾波器對數(shù)據(jù)進(jìn)行了等間隔采樣,膨脹卷積如圖2 所示。

        每層卷積層的感受野計算公式為

        由式(2)可知,感受野的大小可通過改變膨脹因子d和濾波器大小K的值來調(diào)整,可靈活擴(kuò)大感受野來延長時序數(shù)據(jù)建模長度,通常第i層的膨脹因子大小為

        1.2.3 殘差模塊

        1 個殘差模塊包含2 層因果膨脹卷積層和非線性變換層,并使用正則化技術(shù)來降低過擬合風(fēng)險。為防止網(wǎng)絡(luò)過深導(dǎo)致出現(xiàn)梯度消失現(xiàn)象,TCN 在殘差塊中引入殘差連接[25],跨層連接的恒等映射使網(wǎng)絡(luò)能以跨層的方式傳遞信息,使網(wǎng)絡(luò)能夠進(jìn)行深層擴(kuò)展。

        1.2.4 一維全卷積

        TCN 使用一維全卷積[26]結(jié)構(gòu)來約束隱藏層,使其產(chǎn)生與輸入層等長的序列,使模型能夠保留輸入序列的所有信息,有利于構(gòu)建長期記憶,提高預(yù)測性能。

        1.3 SE 注意力機(jī)制模塊原理

        SENet是計算機(jī)視覺中的一種網(wǎng)絡(luò)模型,其中包含1 個通道注意力模塊,即Sequeeze-and-Excitation模塊(SE 模塊)。SE 模塊可學(xué)習(xí)特征通道之間的相關(guān)性,對每個特征通道賦予一個權(quán)重,使模型更加關(guān)注那些具有關(guān)鍵特征的通道,抑制那些具有非關(guān)鍵特征的通道,這樣有利于提高模型特征提取能力。SE 模塊計算量小,很適合嵌入到各類網(wǎng)絡(luò)中。SE 模塊作為一種注意力機(jī)制,主要包含3 個步驟:Sequeeze 過 程、Excitation 過程和Reweight 過程。

        Sequeeze 過程指對通道進(jìn)行全局池化,將整個空間特征編碼為1 個全局特征。Excitation 過程指通過全連接神經(jīng)網(wǎng)絡(luò)的非線性變換功能,學(xué)習(xí)特征通道間的相關(guān)性,以獲取各通道的重要性權(quán)重系數(shù)。Reweight 過程是將權(quán)重系數(shù)加權(quán)到對應(yīng)特征通道上,完成對不同通道重要性的重標(biāo)定。

        2 SE-TCN 模型異常檢測方法

        2.1 SE-TCN 網(wǎng)絡(luò)模型

        由1.1 節(jié)可知,太陽能電池陣溫度遙測數(shù)據(jù)的主要趨勢具有較嚴(yán)格的周期性,每個周期在溫度較高處變化平緩,且周期間的溫度變化略有差異,同時每個周期存在2 個溫度變化迅速的邊沿,形態(tài)變化較大。

        TCN 網(wǎng)絡(luò)在溫度信號從平緩變化轉(zhuǎn)換到快速上升或者快速下降的過程中,存在模型表征能力不足現(xiàn)象,導(dǎo)致模型預(yù)測過程中出現(xiàn)信號波動起伏,最終影響預(yù)測的準(zhǔn)確性。鑒于該問題,本文引入SENet 中的通道注意力機(jī)制,對TCN 進(jìn)行改進(jìn),使模型在信號形態(tài)變化較大處,能有選擇性地關(guān)注具有關(guān)鍵信息的通道,加強(qiáng)模型的特征表達(dá)能力。

        TCN 網(wǎng)絡(luò)是由多個殘差塊疊加構(gòu)成,本文對每層殘差塊后引入SE 模塊作為該殘差塊的注意力機(jī)制。由于溫度遙測數(shù)據(jù)上下幅值差值較大,且在信號邊沿變化迅速,本文在原有SE 模塊中僅使用全局平均池化的基礎(chǔ)上加入全局最大池化,通過全局最大池化提取出全局最大信號特征,有利于模型獲取信號的最值,加強(qiáng)SE 模塊對全局特征的表達(dá)能力,SE-TCN 殘差塊如圖3 所示。

        圖3 SE-TCN 殘差塊Fig.3 SE-TCN residual block

        SE 模塊通道注意力機(jī)制工作流程如下:

        隨著SE-TCN 殘差塊的疊加,最后1 個殘差塊的輸出包含了最符合輸入信號特征信息的特征通道,使模型的特征表達(dá)能力得到加強(qiáng)。SE-TCN 預(yù)測模型結(jié)構(gòu)如圖4 所示。

        圖4 SE-TCN 網(wǎng)絡(luò)模型Fig.4 SE-TCN network model

        2.2 衛(wèi)星太陽電池陣溫度遙測數(shù)據(jù)異常檢測流程

        對太陽能電池陣溫度的遙測數(shù)據(jù)進(jìn)行異常檢測,分為2 個過程,分別為離線訓(xùn)練過程和在線異常檢測過程,過程的流程圖如圖5所示。

        圖5 SE-TCN 模型異常檢測Fig.5 Anomaly detection of SE-TCN model

        離線訓(xùn)練過程:1)對歷史遙測數(shù)據(jù)進(jìn)行異常值剔除和濾波,獲取溫度信號的主要變化趨勢;2)對預(yù)處理后的太陽能電池陣溫度遙測數(shù)據(jù)降采樣處理;3)使用滑窗法生成模型所需的輸入輸出數(shù)據(jù),構(gòu)建數(shù)據(jù)集;4)使用訓(xùn)練數(shù)據(jù)集對SE-TCN 網(wǎng)絡(luò)做離線訓(xùn)練。

        在線異常檢測過程:1)加載離線訓(xùn)練階段訓(xùn)練好的SE-TCN 網(wǎng)絡(luò)模型;2)使用昨天測控弧段遙測數(shù)據(jù)作為模型輸入,使用模型外推至當(dāng)前入境時的數(shù)據(jù)作為理想數(shù)據(jù);3)對信號做插值處理恢復(fù)到原始采樣頻率;4)依據(jù)太陽能電池陣溫度數(shù)據(jù)濾波前后方差,及預(yù)測值與原始值之間的方差確定異常點(diǎn)檢測閾值,并以預(yù)測值變化趨勢確定趨勢異常檢測閾值;5)使用閾值法對實(shí)時遙測數(shù)據(jù)進(jìn)行異常點(diǎn)檢測及趨勢異常檢測。

        2.3 閾值生成

        復(fù)雜的太空環(huán)境及傳感器硬件性能帶來的影響,使遙測數(shù)據(jù)會帶有一定的噪聲。同時考慮到預(yù)處理過程中,會使遙測數(shù)據(jù)損失小部分對主要趨勢無明顯影響的信息,因此閾值需對此部分信息做冗余處理。對太陽能電池陣溫度遙測數(shù)據(jù)采用滑動窗口方法獲取,窗口大小為信號周期長度,計算出窗口內(nèi)數(shù)據(jù)濾波前后方差大小,結(jié)果如圖6(a)所示。從圖中可看出,濾波前后方差較小,最大值在1.3 左右,均值為0.5。

        在時序數(shù)據(jù)多步預(yù)測任務(wù)中,模型預(yù)測值和真實(shí)值間會存在一定誤差,同時由于本文任務(wù)中多步預(yù)測值過多,出現(xiàn)模型發(fā)散,導(dǎo)致預(yù)測值和真實(shí)值間產(chǎn)生相位差。鑒于該問題對溫度遙測數(shù)據(jù)異常檢測的影響,本文采用加窗的計算誤差方式取代傳統(tǒng)一一對應(yīng)計算誤差方式,統(tǒng)計誤差方差大小如圖6(b)所示。從圖中以看出,預(yù)測值和真實(shí)值之間的方差主要集中在0.5~0.7 之間。

        圖6 數(shù)據(jù)方差統(tǒng)計圖Fig.6 Statistical chart of data variance

        令σ1為濾波前后方差,σ2為預(yù)測值與真實(shí)值之間方差,參數(shù)κ1控制σ1倍數(shù),參數(shù)κ2控制σ2倍數(shù),則異常點(diǎn)檢測門限上限TU(t)和下限TL(t)分別為

        判斷原始遙測序列s(t)的單個數(shù)據(jù)點(diǎn)異常與否的條件是:預(yù)測值與實(shí)際值的偏差是否在異常檢測門限的上下限內(nèi),若不在上下限限定的門限值內(nèi)即為異常值,即

        溫度信號變化趨勢是溫度遙測數(shù)據(jù)的一個重要特征,趨勢異常是電池陣溫度信號產(chǎn)生異常的表現(xiàn)形式之一。本文采用2.4 節(jié)3 個評價指標(biāo)作為太陽能電池陣溫度遙測數(shù)據(jù)趨勢異常檢測的標(biāo)準(zhǔn)。當(dāng)?shù)孛鏈y控站獲取到實(shí)時遙測數(shù)據(jù)時,在對應(yīng)時間段內(nèi)分別計算出預(yù)測值和實(shí)時遙測值的3 個指標(biāo)數(shù)值,并按照如下公式作為趨勢異常檢測判定標(biāo)準(zhǔn):

        2.4 模型評價指標(biāo)

        為評價SE-TCN 模型的性能,本文引入回歸任務(wù)中常用評價指標(biāo),分別為平均絕對誤差MAE、均方根誤差RMSE 和相關(guān)系數(shù)R。本文多步預(yù)測的預(yù)測點(diǎn)過多,導(dǎo)致模型出現(xiàn)發(fā)散現(xiàn)象,因此對評價指標(biāo)做相應(yīng)修改以消除因模型發(fā)散出現(xiàn)的相位差影響:

        式中:EMA為平均絕對誤差MAE;ERMS為均方根誤差RMSE;y?t、yt分別為t時刻的預(yù)測值和真實(shí)值;k為窗口大?。籒為測試集樣本大小。其中,EMA和ERMS越小代表模型性能越好,R越大代表模型性能越好。

        3 實(shí)驗(yàn)與分析

        本實(shí)驗(yàn)是基于Windows 操作系統(tǒng),深度學(xué)習(xí)框架選用Keras 計算框架,CPU為Intel I5-4200 H,2.80 GHz,Tensor flow為1.13.1 版本,Keras為2.3.1版本。本實(shí)驗(yàn)采用CPU 進(jìn)行模型訓(xùn)練和測試。

        本文選用的太陽能電池陣溫度遙測信號的采樣頻率為0.125 Hz,經(jīng)過預(yù)處理后得到數(shù)據(jù)的主要趨勢頻率為采樣頻率的1 000 倍。根據(jù)采樣定理,可以對其進(jìn)行20 倍的降采樣,降采樣后可以有效降低輸入數(shù)據(jù)的長度,進(jìn)而降低網(wǎng)絡(luò)深度,加快訓(xùn)練速度。

        3.1 網(wǎng)絡(luò)參數(shù)設(shè)置

        根據(jù)溫度遙測數(shù)據(jù)特點(diǎn)及本文研究背景,對SE-TCN 網(wǎng)絡(luò)模型部分參數(shù)設(shè)置見表1。序列輸入長度500,設(shè)置膨脹因子2,本文通過多次實(shí)驗(yàn)發(fā)現(xiàn)濾波器大小為5 時效果最好。根據(jù)1.1 節(jié)感受野計算公式可知,需要7 層SE-TCN 殘差塊網(wǎng)絡(luò)深度對溫度信號時序長度進(jìn)行建模。

        表1 模型參數(shù)Tab.1 Model parameters

        3.2 實(shí)驗(yàn)結(jié)果分析

        SE-TCN 網(wǎng)絡(luò)模型和傳統(tǒng)TCN 網(wǎng)絡(luò)模型的預(yù)測結(jié)果對比情況見表2。表中可見,SE-TCN 網(wǎng)絡(luò)相對于TCN 網(wǎng)絡(luò)在3 個評價指標(biāo)上有不同程度的提升,其中EMA降低了7.7%,ERMS降低了5.2%,R提高了0.4%。SE 模塊是1 個輕量級模塊,SE-TCN網(wǎng)絡(luò)相對于TCN 網(wǎng)絡(luò),其參數(shù)只增加了828 個,增加量占比約0.025%,增加的計算量極其微小,因此SE 模塊的計算開銷相對于總計算開銷可忽略不計。但SE-TCN 網(wǎng)絡(luò)在增加極小計算量的情況下取得了較大的性能提升,因?yàn)镾E 模塊能通過非線性變換,從特征通道中篩選出具有關(guān)鍵信息的通道,加大其對預(yù)測結(jié)果影響所占權(quán)重,實(shí)現(xiàn)提高模型的特征提取能力。該結(jié)果證明了SE 模塊在TCN 上作用的有效性,可提高模型預(yù)測精度。

        表2 模型對比Tab 2 Comparison of models

        一次預(yù)測結(jié)果如圖7 所示。從圖中曲線可以看出,SE-TCN 網(wǎng)絡(luò)模型的預(yù)測效果更接近實(shí)際值,且每個周期的數(shù)據(jù)變化處更加平滑,數(shù)據(jù)波動比TCN網(wǎng)絡(luò)預(yù)測模型結(jié)果更小,具有更小的數(shù)據(jù)偏差,該結(jié)果再次體現(xiàn)出SE 模塊發(fā)揮了良好作用。但隨著預(yù)測步長的增加,TCN 網(wǎng)絡(luò)和SE-TCN 網(wǎng)絡(luò)都出現(xiàn)了發(fā)散現(xiàn)象,預(yù)測值和實(shí)際值相比較出現(xiàn)了相位偏差,但相位差較小且數(shù)據(jù)趨勢依舊和原始數(shù)據(jù)保持一致,該預(yù)測結(jié)果對于衛(wèi)星入境時溫度遙測數(shù)據(jù)的趨勢異常檢測仍具有很大的指導(dǎo)意義,可通過判斷信號變化趨勢來判斷是否發(fā)生趨勢異常。

        圖7 預(yù)測結(jié)果圖Fig.7 Forecast result chart

        本文按照2.3 節(jié)方法設(shè)定閾值,根據(jù)方差統(tǒng)計結(jié)果取σ1=0.8,σ2=0.8,令κ1=κ2=3,由式(8)和式(9)確定異常點(diǎn)檢測上下閾值大小,如圖8 所示。當(dāng)衛(wèi)星入境時,可快速定位對應(yīng)時間點(diǎn),將對應(yīng)時間段內(nèi)的實(shí)時遙測數(shù)據(jù)與閾值比較,按照式(10)對遙測數(shù)據(jù)進(jìn)行異常點(diǎn)檢測。對實(shí)時遙測數(shù)據(jù)及對應(yīng)時間段內(nèi)的預(yù)測值計算EMA、ERMS和R3 個指標(biāo),并按照式(11)對太陽能電池陣溫度遙測數(shù)據(jù)進(jìn)行趨勢異常檢測,當(dāng)計算結(jié)果符合式(11)時,視為趨勢正常,反之則為趨勢異常。

        圖8 上下閾值圖Fig.8 Upper and lower threshold graph

        4 結(jié)束語

        太陽能電池陣溫度異常檢測是衛(wèi)星健康管理中的一個重要環(huán)節(jié),針對衛(wèi)星入境時太陽能電池陣溫度遙測信號無法快速進(jìn)行異常檢測的問題,本文提出了一種SE-TCN 網(wǎng)絡(luò)模型。實(shí)驗(yàn)結(jié)果表明,在本任務(wù)中,加入通道注意力機(jī)制后的SE-TCN 網(wǎng)絡(luò)相比于傳統(tǒng)TCN 網(wǎng)絡(luò),在平均絕對誤差、均方根誤差和相關(guān)系數(shù)3 個評價指標(biāo)上均有不同程度的提升。太陽能電池陣溫度受多方面因素影響,后續(xù)研究將考慮引入其他遙測參量來輔助模型對溫度遙測數(shù)據(jù)的預(yù)測推斷,提高模型的預(yù)測精度,同時該方法可推廣到其他具有周期性的衛(wèi)星遙測數(shù)據(jù)的異常檢測任務(wù)中。

        猜你喜歡
        遙測卷積電池
        電池很冤
        “一粒鹽電池”
        軍事文摘(2022年14期)2022-08-26 08:14:30
        把電池穿身上
        穿在身上的電池
        基于3D-Winograd的快速卷積算法設(shè)計及FPGA實(shí)現(xiàn)
        自適應(yīng)模糊PID控制的遙測方艙溫度調(diào)節(jié)方法
        電子制作(2019年11期)2019-07-04 00:34:40
        從濾波器理解卷積
        電子制作(2019年11期)2019-07-04 00:34:38
        某小型無人機(jī)遙測軟件設(shè)計
        電子測試(2018年13期)2018-09-26 03:30:00
        基于傅里葉域卷積表示的目標(biāo)跟蹤算法
        淺談如何提高遙測狀態(tài)估計合格率
        久久婷婷人人澡人人喊人人爽| 亚洲精品国产精品国自产| 日本女同伦理片在线观看| 亚洲色偷偷综合亚洲av伊人| 久久精品国产亚洲av麻豆长发| 亚洲av综合日韩精品久久 | 国产精品国三级国产av| 蜜桃网站免费在线观看视频| 久久精品视频按摩| 五十路熟妇亲子交尾| 亚洲无人区乱码中文字幕| 中文字幕久无码免费久久| 日本丰满熟妇hd| 久久婷婷色香五月综合缴缴情 | 欧洲综合色| 草草浮力地址线路①屁屁影院| 色综合天天综合网国产成人网| 亚洲国产高清一区av| 无码91 亚洲| 伊人精品在线观看| 国产亚洲精品aaaa片小说| 久久久久久久亚洲av无码| 成人一区二区三区国产| 久久综合激激的五月天| 国产午夜视频免费观看| 国产黄a三级三级三级av在线看| 亚洲av日韩av在线观看| 久久午夜av一区二区三区| 久久少妇高潮免费观看| 男人吃奶摸下挵进去啪啪软件| 无码国产精品第100页| 久久久久亚洲av无码专区网站| 蜜桃一区二区三区| 国产白浆一区二区三区性色| 久久国产精品色av免费看| 国产三级国产精品三级在专区| 欧美日韩亚洲色图| 精品熟女日韩中文十区| 在线涩涩免费观看国产精品| 国产精品久久久久一区二区三区| 天堂蜜桃视频在线观看|