| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-28页 |
| 1.1 引言 | 第14-15页 |
| 1.2 课题背景 | 第15-18页 |
| 1.2.1 航天器遥测数据的基本概念 | 第15-16页 |
| 1.2.2 卫星集成测试和地面应用系统面临的新问题 | 第16-18页 |
| 1.3 国内外研究现状 | 第18-22页 |
| 1.3.1 相关性分析理论及应用研究现状 | 第18-20页 |
| 1.3.2 遥测数据相关性分析研究现状 | 第20-21页 |
| 1.3.3 遥测数据相关性知识发现研究现状 | 第21页 |
| 1.3.4 小结 | 第21-22页 |
| 1.4 课题研究意义 | 第22-24页 |
| 1.5 研究思路与论文组织结构 | 第24-28页 |
| 1.5.1 研究思路 | 第24-25页 |
| 1.5.2 论文组织结构安排 | 第25-28页 |
| 第2章 相关性研究理论基础 | 第28-46页 |
| 2.1 引言 | 第28页 |
| 2.2 各学科中相关关系定义 | 第28-30页 |
| 2.2.1 概率论与数理统计 | 第28-29页 |
| 2.2.2 信息论 | 第29页 |
| 2.2.3 信号与系统 | 第29-30页 |
| 2.2.4 大数据与统计学习 | 第30页 |
| 2.3 相关性分析理论 | 第30-41页 |
| 2.3.1 基于误差比例削减原理的相关性分析方法 | 第31-33页 |
| 2.3.2 基于互信息的相关性分析方法 | 第33-36页 |
| 2.3.3 基于Copula函数的相关性分析方法 | 第36-37页 |
| 2.3.4 基于曲线原理的相关性分析方法 | 第37-39页 |
| 2.3.5 基于距离的相关性分析方法 | 第39-40页 |
| 2.3.6 相关性分析方法优缺点比较 | 第40-41页 |
| 2.4 遥测数据相关性知识发现 | 第41-44页 |
| 2.4.1 遥测数据相关性定义与分类 | 第41-42页 |
| 2.4.2 遥测数据相关性知识发现的定义与研究范畴 | 第42-43页 |
| 2.4.3 遥测数据相关性知识发现的一般过程 | 第43-44页 |
| 2.5 小结 | 第44-46页 |
| 第3章 遥测数据自相关知识发现方法 | 第46-68页 |
| 3.1 引言 | 第46-47页 |
| 3.2 遥测数据形式化描述 | 第47-48页 |
| 3.3 自相关结构类别、建模与向量表示 | 第48-56页 |
| 3.3.1 枚举相关 | 第48-49页 |
| 3.3.2 阈值相关 | 第49-50页 |
| 3.3.3 增量枚举相关 | 第50-51页 |
| 3.3.4 周期相关 | 第51-53页 |
| 3.3.5 趋势相关 | 第53-55页 |
| 3.3.6 分布相关 | 第55-56页 |
| 3.4 归纳式自相关知识发现方法及其在异常检测中的应用 | 第56-60页 |
| 3.4.1 数据预处理 | 第57-58页 |
| 3.4.2 归纳式自相关知识发现算法 | 第58-59页 |
| 3.4.3 解释评估 | 第59页 |
| 3.4.4 基于自相关知识的异常检测算法 | 第59-60页 |
| 3.5 试验与验证 | 第60-66页 |
| 3.5.1 相关性知识自动化构建验证 | 第60-64页 |
| 3.5.2 异常检测的有效性验证 | 第64-66页 |
| 3.6 小结 | 第66-68页 |
| 第4章 遥测数据互相关测度评价与最优测度 | 第68-80页 |
| 4.1 引言 | 第68-69页 |
| 4.2 遥测数据互相关特点 | 第69-70页 |
| 4.2.1 强非线性 | 第69-70页 |
| 4.2.2 动态性 | 第70页 |
| 4.3 互相关测度评价 | 第70-72页 |
| 4.3.1 普适性评价 | 第70-72页 |
| 4.3.2 时效性评价 | 第72页 |
| 4.4 互相关测度分析 | 第72-74页 |
| 4.4.1 普适性分析 | 第72-73页 |
| 4.4.2 时效性分析 | 第73-74页 |
| 4.5 试验与验证 | 第74-79页 |
| 4.5.1 普适性验证 | 第75-78页 |
| 4.5.2 未覆盖项分析 | 第78-79页 |
| 4.5.3 时效性验证 | 第79页 |
| 4.6 小结 | 第79-80页 |
| 第5章 基于改进最大信息系数的互相关程度知识发现 | 第80-104页 |
| 5.1 引言 | 第80页 |
| 5.2 最大信息系数 | 第80-86页 |
| 5.2.1 MIC算法原理 | 第80-81页 |
| 5.2.2 基于动态规划的MIC近似算法 | 第81-86页 |
| 5.3 改进归一化因子的MIC方法 | 第86-88页 |
| 5.3.1 偏向多值变量问题 | 第86-87页 |
| 5.3.2 改进的归一化因子 | 第87-88页 |
| 5.4 基于聚类划分的改进MIC方法 | 第88-94页 |
| 5.4.1 动态规划算法低时效原因分析 | 第88-89页 |
| 5.4.2 基于Mini Batch K-Means聚类划分的改进MIC方法 | 第89-94页 |
| 5.5 试验与结果分析 | 第94-102页 |
| 5.5.1 改进的归一化因子实验验证 | 第94-99页 |
| 5.5.2 MBKM_MIC算法效能试验验证 | 第99-101页 |
| 5.5.3 MBKM_MIC算法性能实验验证 | 第101-102页 |
| 5.6 小结 | 第102-104页 |
| 第6章 基于混合采样与XGBoost模型的互相关结构知识发现 | 第104-126页 |
| 6.1 引言 | 第104-105页 |
| 6.2 问题定义 | 第105-108页 |
| 6.2.1 互相关结构分类 | 第105页 |
| 6.2.2 相关性结构知识发现问题定义 | 第105-106页 |
| 6.2.3 模型性能评价 | 第106-108页 |
| 6.3 类别不平衡问题 | 第108-109页 |
| 6.3.1 类别不平衡概念 | 第108页 |
| 6.3.2 实验数据 | 第108-109页 |
| 6.4 BP神经网络模型 | 第109-113页 |
| 6.4.1 模型原理 | 第109-110页 |
| 6.4.2 网络结构与参数设计 | 第110-111页 |
| 6.4.3 试验结果分析 | 第111-113页 |
| 6.5 长短时记忆网络模型 | 第113-117页 |
| 6.5.1 模型原理 | 第113-115页 |
| 6.5.2 网络结构与参数设计 | 第115页 |
| 6.5.3 试验结果分析 | 第115-117页 |
| 6.6 XGBoost模型 | 第117-124页 |
| 6.6.1 XGBoost模型原理 | 第117-119页 |
| 6.6.2 XGBoost试验结果分析 | 第119-121页 |
| 6.6.3 基于混合采样、代价矩阵的XGBoost模型 | 第121-123页 |
| 6.6.4 混合采样、代价矩阵的XGBoost模型试验结果 | 第123-124页 |
| 6.7 小结 | 第124-126页 |
| 第7章 总结与展望 | 第126-130页 |
| 7.1 论文工作总结 | 第126-127页 |
| 7.2 论文创新点 | 第127页 |
| 7.3 进一步工作展望 | 第127-130页 |
| 参考文献 | 第130-136页 |
| 缩略语 | 第136-138页 |
| 致谢 | 第138-140页 |
| 在读期间发表和录用的论文 | 第140-141页 |
| 在读期间参加的科研工作与成果 | 第141页 |
