论文部分内容阅读
随着卫星对地遥感技术的发展，无论是常规任务监测，还是突发热点的排查，都离不开卫星遥感影像的帮助。敏捷遥感卫星具有更好的机动能力和快速响应能力，是遥感卫星发展的重要方向。由于越来越多的普通用户可以使用卫星对地遥感系统，但从观测需求提出到获取成像结果的时间又较长，而且在任务规划前，用户无法得到关于任务执行情况的反馈信息，这种长时间的等待对用户体验很不友好，因此用户希望在任务被规划前就能得到任务的效能结果，进而了解任务执行预期结果的需求日渐强烈；目前还没有敏捷遥感卫星任务效能预测评估相关的文献，所以，实现敏捷遥感卫星任务效能的预评估，对于提升卫星对地遥感系统用户使用体验和卫星对地遥感系统的发展有着重要意义。本文将使用反向传播神经网络(BackPropagationNeuralNetwork，BP神经网络)和支持向量机回归(Support Vector Regression，SVR)两种机器学习模型，通过对历史任务及其效能值进行学习并获取预测模型，实现对新任务效能的预评估。
首先，本文对敏捷遥感卫星任务效能数据的内容及其数据生成开展研究，建立了由任务效能指标和任务描述模型组成的敏捷遥感卫星任务效能数据模型。其中，从用户关心的任务对地覆盖效能、任务成像质量效能和任务时间效能三个方面，分别选择了任务完成率、分辨率和成像时长作为任务效能指标；从任务条带数据和卫星轨道数据中选取了对任务效能影响较大的任务条带数量、条带长度、轨道高度等九个任务特征组成任务描述模型；并依据此数据模型对典型任务进行任务效能数据收集，完成敏捷遥感卫星任务效能数据集的数据收集工作，将此数据集划分为训练集和测试集两部分，用于机器学习算法的训练和测试。
其次，本文使用机器学习中的分类算法，对敏捷遥感卫星任务开展基于任务完成率评估的研究，以任务完成率为0.5作为任务分类的阈值，将任务分成完成率为[0.0,0.5)和[0.5,1.0]的两种任务。本文设计了分类模型的建模流程；对任务数据进行数据统计分析、特征重要性分析和特征选择；然后使用机器学习中常用的分类算法对任务数据进行分类实验，选出SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和AdaBoost三种分类效果较好的算法，并对这三种算法进行算法参数调优和测试，测试结果表示，GBDT算法是三种算法中分类效果最好的；最终将GBDT算法作为基于任务完成率的敏捷遥感卫星任务评估方法。
最后，本文使用机器学习中的回归模型，对敏捷遥感卫星任务效能的预评估模型开展研究，以拟合结果的平均相对误差小于10%和最大相对误差小于20%作为效能预评估模型的设计目标，提出了GBDT+BP神经网络和GBDT+SVR两种回归模型，并将其应用于任务效能预评估模型的研究。本文设计了回归模型的建模流程；对任务数据进行数据统计分析、数据相关性分析和特征选择；分别基于BP神经网络模型和SVR模型对任务的任务完成率、分辨率和成像时长三个任务效能指标进行回归拟合实验，实验结果表示，这两种回归模型无法满足设计要求；随后提出将GBDT算法与这两种模型进行组合，得到GBDT+BP和GBDT+SVR两种回归模型，实验结果表示，GBDT+BP神经网络回归模型的拟合结果满足本文对效能预评估模型的设计目标；最终将GBDT+BP神经网络回归模型作为敏捷遥感卫星任务效能的预评估模型，进而完成了基于机器学习的敏捷遥感卫星任务效能评估方法研究。
首先，本文对敏捷遥感卫星任务效能数据的内容及其数据生成开展研究，建立了由任务效能指标和任务描述模型组成的敏捷遥感卫星任务效能数据模型。其中，从用户关心的任务对地覆盖效能、任务成像质量效能和任务时间效能三个方面，分别选择了任务完成率、分辨率和成像时长作为任务效能指标；从任务条带数据和卫星轨道数据中选取了对任务效能影响较大的任务条带数量、条带长度、轨道高度等九个任务特征组成任务描述模型；并依据此数据模型对典型任务进行任务效能数据收集，完成敏捷遥感卫星任务效能数据集的数据收集工作，将此数据集划分为训练集和测试集两部分，用于机器学习算法的训练和测试。
其次，本文使用机器学习中的分类算法，对敏捷遥感卫星任务开展基于任务完成率评估的研究，以任务完成率为0.5作为任务分类的阈值，将任务分成完成率为[0.0,0.5)和[0.5,1.0]的两种任务。本文设计了分类模型的建模流程；对任务数据进行数据统计分析、特征重要性分析和特征选择；然后使用机器学习中常用的分类算法对任务数据进行分类实验，选出SVM(Support Vector Machine)、GBDT(Gradient Boosting Decision Tree)和AdaBoost三种分类效果较好的算法，并对这三种算法进行算法参数调优和测试，测试结果表示，GBDT算法是三种算法中分类效果最好的；最终将GBDT算法作为基于任务完成率的敏捷遥感卫星任务评估方法。
最后，本文使用机器学习中的回归模型，对敏捷遥感卫星任务效能的预评估模型开展研究，以拟合结果的平均相对误差小于10%和最大相对误差小于20%作为效能预评估模型的设计目标，提出了GBDT+BP神经网络和GBDT+SVR两种回归模型，并将其应用于任务效能预评估模型的研究。本文设计了回归模型的建模流程；对任务数据进行数据统计分析、数据相关性分析和特征选择；分别基于BP神经网络模型和SVR模型对任务的任务完成率、分辨率和成像时长三个任务效能指标进行回归拟合实验，实验结果表示，这两种回归模型无法满足设计要求；随后提出将GBDT算法与这两种模型进行组合，得到GBDT+BP和GBDT+SVR两种回归模型，实验结果表示，GBDT+BP神经网络回归模型的拟合结果满足本文对效能预评估模型的设计目标；最终将GBDT+BP神经网络回归模型作为敏捷遥感卫星任务效能的预评估模型，进而完成了基于机器学习的敏捷遥感卫星任务效能评估方法研究。