(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211184190.8 (22)申请日 2022.09.27 (71)申请人 哈尔滨工业大 学 地址 150001 黑龙江省哈尔滨市南岗区西 大直街92号 (72)发明人 刘明　骆天依　曹喜滨　陈雪芹　 (74)专利代理 机构 哈尔滨华夏松花江知识产权 代理有限公司 23213 专利代理师 张利明 (51)Int.Cl. G06F 16/215(2019.01) G06K 9/62(2022.01) G06N 5/00(2006.01) G06N 20/00(2019.01) G06F 17/18(2006.01) (54)发明名称 基于随机森林网络的卫星电源系统缺失数 据补全方法 (57)摘要 基于随机森林网络的卫星电源系统缺失数 据补全方法， 属于航天器遥测数据处理技术领 域， 本发明为解决现有卫星在轨数据补全技术存 在的问题。 本发明方法包括以下步骤： S1、 采集卫 星电源系统的遥测数据并进行预处理； S2、 预处 理后全部遥测数据按日期保存为多个.csv文件， 各.csv文件数据维度为L ×M； S3、 利用PCA算法从 全部.csv文件中筛选出待补全遥测数据相关特 征列N； S4、 将步骤S3筛选 出来的待补全遥测数据 相关特征列N输入至训练好的神经随机森林NRF 模型中， 获取缺失段数据； S5、 将神经随机森林 NRF模型输 出的缺失段数据与原始数据拼接在一 起， 获取完整遥测时序数据， 完成缺失数据补全。 权利要求书3页 说明书9页 附图2页 CN 115454988 A 2022.12.09 CN 115454988 A 1.基于随机森林网络的卫星电源系统缺失数据补全方法， 其特征在于， 该方法包括以 下步骤： S1、 采集卫星电源系统 的遥测数据并进行预处理， 所述遥测数据由m类传感器采集并构 建为M维时序数据M＝{m1,m2,...,mm}； S2、 预处理后全部遥测数据按日期 保存为多个.csv文件， 各.csv文件数据维度 为L×M， 其中L＝{l1,l2,...,ln}代表记录时序数据的时间长度， M＝{m1,m2,...,mm}代表遥测参数 维 度； S3、 利用PCA算法从全部.csv文件中筛选出待补全遥测数据相关特征列N＝{m1,m2,..., mn}， N≤M； S4、 将步骤S3筛选出来的待补全遥测数据相关特征列N输入至训练好的神经随机森林 NRF模型中， 获取缺失段 数据； 神经随机森林NRF模型的构建过程： S41、 将一颗回归树 转化为树型神经网络； S42、 构造神经网络各层的激活函数； S43、 采用Bagging集成学习方式将多个S41构建的树型神经网络组合成神经随机森林 模型NRF； S44、 采用贝叶斯优化 参数搜索对神经随机森林模型NRF进行模型调参； S5、 将神经随机森林NRF模型输出的缺失段数据与原始数据拼接在一起， 获取完整遥测 时序数据， 完成缺失数据补全。 2.根据权利要求1所述基于随机森林网络的卫星电源系统缺失数据补全方法， 其特征 在于， S41将一颗回归树 转化为树型神经网络的过程包括： 步骤(1)、 构建一颗回归树， 并用三层神经网络表示， 分别为输入层、 隐藏层和输出层， 隐藏层包括第一隐藏层和第二隐藏层； 步骤(2)、 在第一隐藏层进行超平面空间划分； 步骤(3)、 在第二隐藏层进行叶节点 位置的定位； 步骤(4)、 在输出层进行加权求和， 完成一颗回归树 转化为树型神经网络的过程。 3.根据权利要求1或2所述基于随机森林网络的卫星电源系统缺失数据补全方法， 其特 征在于， S42构造神经网络各层的激活函数的过程包括： 步骤(5)、 采用改进的双曲正切激活函数k ‑tanh( τu)作为激活函数， 激活函数k ‑tanh( τ u)为： k为终端节点， γ为激活系数， 在输入层和第 一隐藏层之间 采用 激活； 在第 一隐藏层和第二隐藏层之间γ ＝ k， 采用tanh(ku)激活， u为第一隐藏层或第二隐藏层输入。 4.根据权利要求3所述基于随机森林网络的卫星电源系统缺失数据补全方法， 其特征 在于， S43构建神经随机森林模型NRF的过程包括：权　利　要　求　书 1/3 页 2 CN 115454988 A 2步骤(6)、 采用Bagging集成学习方式， 将多个树型神经网络的预测结果进行加权平均， 表示为： 其中， x表示待处理数据， M表示树型神经网络的个数， αm代表第m个学习器的权重， 有 表示第m个树型神经网络的预测结果， 表示不同树型神经网络的差异。 5.根据权利要求4所述基于随机森林网络的卫星电源系统缺失数据补全方法， 其特征 在于， S44神经随机森林模型NRF的模型调参过程包括： 步骤(7)、 采用贝叶斯优化 参数搜索对神经随机森林模型NRF进行模型调参， 具体为 首先构造一个黑盒目标函数， 作为评判模型效果的标准， 选取回归问题的常用评价指 标R2； 接下来给定各个需要调试的超参数的上界和下界， 确定各自的搜索范围； 最后实例化 贝叶斯优化对象并确定迭代次数。 6.根据权利要求2所述基于随机森林网络的卫星电源系统缺失数据补全方法， 其特征 在于， 步骤(1)构建一颗回归树的过程 为： 定义分类回归树是组成NRF的基本元素， 数据特征维度集合X＝{x(1),x(2),...,x(d)}对 应数据值Y＝{y(1),y(2),...,y(d)}， 选取最小方差判据作为判断最优切分变量x(i)以及切分 点s的标准： 其中D＝{X,Y}＝D1∪D2， D1(i,s)＝{x|x(i)≤s}和D2(i,s)＝{x|x(i)＞s}分别为切分点划 分出的左右两部分训练集， c1＝average(y(i)|x(i)∈D1)和c2＝average(y(i)|x(i)∈D2)分别 为D1和D2两部分训练数据的均值， j为切分点 位置； 通过递归不断选择并保留当前最优切分变量xj以及切分点s， 直到回归树恰好包含k个 终端节点时停止， 能够生成一棵回归树T； 对于划分回归树T的超平面集合H＝{ H1,H2,...,HK‑1}中的任意一个超平面Hk∈H， k＝1, 2,…,K‑1， 存在Hk＝{x:hk(x)＝0}， 其中超平面方程 进行回归树分析的维 度ik＝1,2,...,d， 偏置 为网络输入。 7.根据权利要求6所述基于随机森林网络的卫星电源系统缺失数据补全方法， 其特征 在于， 步骤(2)在第一隐藏层进行超平面空间划分的过程 为： 网络输入 与第一隐藏层 各个神经元一一对应连接， 第一隐藏层的神经元对应的K ‑1 个感知器 被用来判断划分特 征空间的超平面属性， 它 们的激活函数 可以统一定义 为： 其中threshold(x)＝ ±1为阈值型激活函数， 且连接权值为1， 偏置为 如果激活值 大于零， 那么神经 元就会被激活； 否则， 该神经 元处于抑制状态； 定义上式结果为+1时代表待查询叶子节点在超平面Hk的左侧， 结果为 ‑1时代表待查询 叶子节点在超平面Hk的右侧；权　利　要　求　书 2/3 页 3 CN 115454988 A 3