论文部分内容阅读
航天器技术是当今世界高科技群体中对现代社会最有影响的科学技术之一。然而由于人类航天活动产生的太空垃圾已经对正在使用的航天器造成巨大的安全威胁，非合作对象的航天器也对本国的航天器造成威胁。因此，对空间目标进行识别监测愈加重要，通常的方法首先需要对空间目标进行分类识别。而目前空间目标的分类识别方法一般仅基于静态特征，本文提出采用多变量时序数据挖掘的方法研究空间目标运动的历史数据，从而提取空间目标的动态特征用于空间目标的分类。 借鉴物理学中速度和加速度的概念，并将之引入到任意多变量时序数据中。本文提出了用于扩展原始时间序列变化特征的速度及加速度特征扩展方法（Velocity-AccelerationfeatureExtending，VAE）。VAE方法把原始的时间序列进行了扩展，将隐含在原始时间序列中的变化信息以显性的形式展现出来，便于变化特征的挖掘。论文提出了基于VAE方法的多变量时序分类算法（Velocity-AccelerationfeatureExtendingbasedTimeSeriesClassificationalgorithm，VAE-TSC），并通过实验验证了VAE-TSC算法的有效性。 针对当前各种方法提取局部时序特征的不足，本文提出了基于最值以及附近极值的子序列分段方法（Maximum-Minimumsegmenting，MM），该方法不仅是一种普适性方法，而且从基于该方法获得的子序列中提取的局部时序特征也具有清楚的语义。论文将MM方法与VAE方法结合，形成VAEMM方法，提出了基于VAEMM方法的多变量时序分类算法（Velocity-AccelerationfeatureExtendingandMaximum-MinimumsegmentingbasedTimeSeriesClassificationalgorithm，VAEMM-TSC），并通过实验验证了VAEMM-TSC算法的有效性。 在上述研究的基础上，本文还将动态特征与静态特征相结合，提出了基于VAEMM方法的SDC分类算法（Static-Dynamic-Combinedclassificationalgorithm，SDC）进行空间目标的分类识别，并通过对比实验，证明了SDC算法的有效性。