论文部分内容阅读
随着航天技术的发展，人工智能在航天领域正逐步得到应用。支持向量机是在统计学习理论体系下产生的一种强有力的机器学习方法，目前国外已将其用到航天器上。我国对这方面的研究与世界先进水平还有一定差距，主要因为航天任务和空间环境对支持向量机的应用提出了特殊要求。本文从支持向量机在航天中的应用问题着手，重点围绕在线学习的回归算法、实时快速分类算法、抗单粒子翻转的算法和措施等一些关键问题进行了深入研究。
本文第二章基于标准支持向量机的一种快速变型算法-直接支持向量机，分别利用矩阵Cholesky分解和正定对称矩阵求逆特性，推导了其基于时间窗的在线学习的回归算法，仿真结果证实了所推导的算法的正确性与可行性。为提高效率、满足实时性要求，针对分类问题，第三章利用分层的架构，一方面提出了利用向量余弦和马氏距离的四种对支持向量集进行精简和稀疏化的措施，另一方面提出了对“一对多”和“M-ary”多类分类方法根据后验概率进行纠错的措施，经仿真验证，表明能更好的满足实时性要求。为应对太空中严峻的辐射环境，第四章从支持向量机的核函数角度提出了抗单粒子翻转的检错和容错算法，从基于纠错编码的多类分类方法提出了其对单粒子翻转的纠错性能，从器件资源受限的角度提出了两模冗余加概率判决的方法，仿真结果表明这些方法在特定情况下都有一定的应对单粒子翻转的能力。从多核技术角度，第五章利用合成核方法对第二章的在线学习算法进行了性能改进，利用多核参数的径向基核方法对第三章的稀疏化后的支持向量机进行了性能改进。