基于工程数据的卫星健康状态预测技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 选题背景及意义 | 第12-13页 |
| 1.1.1 选题背景 | 第12页 |
| 1.1.2 选题意义 | 第12-13页 |
| 1.2 国内外本学科领域的发展现状与趋势 | 第13-20页 |
| 1.2.1 卫星故障诊断技术现状与趋势 | 第13-14页 |
| 1.2.2 卫星健康状态预测技术现状与趋势 | 第14-15页 |
| 1.2.3 国内外海量数据处理现状 | 第15-20页 |
| 1.3 本文的研究内容 | 第20-21页 |
| 1.4 本文的内容安排 | 第21-22页 |
| 第二章 数据预处理和预测技术的基本理论 | 第22-46页 |
| 2.1 工程数据的分类 | 第22-23页 |
| 2.2 数据预处理 | 第23-24页 |
| 2.3 数据的存储方式 | 第24-37页 |
| 2.3.1 Hadoop | 第24-29页 |
| 2.3.2 MongoDB[33] | 第29-32页 |
| 2.3.3 ElasticSearch[34] | 第32-35页 |
| 2.3.4 Redis[36] | 第35-37页 |
| 2.4 卫星工程数据预测的方法 | 第37-44页 |
| 2.4.1 多项式拟合外推的预测方法 | 第37-38页 |
| 2.4.2 自回归移动平均模型（ARMA） | 第38-40页 |
| 2.4.3 非参数回归算法 | 第40-41页 |
| 2.4.4 基于神经网络的算法 | 第41-44页 |
| 2.5 本章小结 | 第44-46页 |
| 第三章 工程数据的预处理分类方法研究 | 第46-52页 |
| 3.1 工程数据预处理与分类方法应用 | 第46-51页 |
| 3.1.1 判定树归纳 | 第46-50页 |
| 3.1.2 树剪枝 | 第50-51页 |
| 3.2 工程数据预处理分类的讨论 | 第51页 |
| 3.2.1 判定树归纳的可规模性 | 第51页 |
| 3.2.2 基本判定树的加强 | 第51页 |
| 3.3 本章小结 | 第51-52页 |
| 第四章 卫星工程数据的预测技术 | 第52-75页 |
| 4.1 卫星工程数据的预测技术应用 | 第52-72页 |
| 4.1.1 实验环境 | 第52-53页 |
| 4.1.2 多项式拟合外推中的最小二乘法 | 第53-58页 |
| 4.1.3 自回归移动平均模型（ARMA） | 第58-63页 |
| 4.1.4 后向传播神经网络 | 第63-70页 |
| 4.1.5 非参数回归 | 第70-71页 |
| 4.1.6 小结 | 第71-72页 |
| 4.2 工程数据分析算法的其他选择 | 第72-74页 |
| 4.2.1 对数及泊松回归模型 | 第72页 |
| 4.2.2 基于BP神经网络的算法 | 第72-74页 |
| 4.3 本章总结 | 第74-75页 |
| 第五章 结论与展望 | 第75-76页 |
| 5.1 论文主要工作总结 | 第75页 |
| 5.2 进一步的工作 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 附录 | 第81-93页 |
| Hadoop WebHDFS参考 | 第81-87页 |
| MongoDB分片实例 | 第87-88页 |
| 使用MapReduce | 第88-89页 |
| ElasticSearch分布式 | 第89-93页 |
| 致谢 | 第93-94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94页 |
