| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第15-22页 |
| 1.1 课题背景及意义 | 第15-16页 |
| 1.1.1 课题背景 | 第15-16页 |
| 1.1.2 选题意义 | 第16页 |
| 1.2 国内外发展现状与趋势 | 第16-19页 |
| 1.2.1 卫星遥测数据研究现状 | 第16-17页 |
| 1.2.2 故障预测与健康管理系统研究现状 | 第17-18页 |
| 1.2.3 机器学习技术研究现状 | 第18-19页 |
| 1.3 本文的主要研究内容 | 第19-22页 |
| 第2章 基于真实卫星的遥测参数数据特性的分析及预测方法 | 第22-31页 |
| 2.1 基于真实卫星的遥测参数数据特性的分析 | 第22-24页 |
| 2.2 卫星遥测参数的预测方法 | 第24-30页 |
| 2.2.1 基于多项式拟合外推的预测方法 | 第24-25页 |
| 2.2.2 基于自回归滑动平均模型的预测方法 | 第25-26页 |
| 2.2.3 基于BP神经网络算法的预测方法 | 第26-29页 |
| 2.2.4 基于灰度模型的预测方法 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 有效载荷异常检测框架图的设计及算法的选择 | 第31-42页 |
| 3.1 基于时间序列模型的有效载荷异常检测框架图的设计 | 第31-33页 |
| 3.2 时间序列算法的选择 | 第33-37页 |
| 3.2.1 多项式拟合外推算法 | 第33-36页 |
| 3.2.2 自回归滑动平均算法 | 第36-37页 |
| 3.3 引入深度学习后的时间序列模型的设计 | 第37-41页 |
| 3.3.1 循环神经网络概述 | 第37-39页 |
| 3.3.2 从循环神经网络到长短记忆网络 | 第39-40页 |
| 3.3.3 基于LSTM模型的时间序列分析预测方法 | 第40-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 模型的实现及实验结果的分析 | 第42-71页 |
| 4.1 实验数据的获取及实验环境的配置 | 第42-45页 |
| 4.1.1 实验数据的获取 | 第42-43页 |
| 4.1.2 实验环境的配置 | 第43-45页 |
| 4.2 模型预测精度的评价标准 | 第45-46页 |
| 4.2.1 平均绝对百分比误差 | 第45页 |
| 4.2.2 均方根误差 | 第45-46页 |
| 4.2.3 标准均方误差 | 第46页 |
| 4.3 多项式拟合外推算法的实验 | 第46-54页 |
| 4.3.1 算法的编程实现 | 第46-47页 |
| 4.3.2 多项式拟合外推的短期预测实验及结果 | 第47-50页 |
| 4.3.3 多项式拟合外推的中期预测实验及结果 | 第50-53页 |
| 4.3.4 短期及中期预测结果的分析比较 | 第53-54页 |
| 4.4 自回归滑动平均算法的实验 | 第54-61页 |
| 4.4.1 算法的编程实现 | 第54-59页 |
| 4.4.2 自回归滑动平均的中期预测实验及结果 | 第59-61页 |
| 4.5 循环神经网络LSTM算法的实验 | 第61-69页 |
| 4.5.1 算法的编程实现及调优 | 第61-64页 |
| 4.5.2 LSTM算法的中期预测实验及结果 | 第64-67页 |
| 4.5.3 LSTM算法的长期预测实验及结果 | 第67-69页 |
| 4.6 实验结果对比分析 | 第69-70页 |
| 4.7 本章小结 | 第70-71页 |
| 第5章 总结与展望 | 第71-73页 |
| 5.1 本文总结 | 第71-72页 |
| 5.2 研究展望 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 致谢 | 第77-79页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第79页 |
