1、航天器指的是在地球大氣層以外的宇宙空間中按照天體力學運動的各種飛行器，本文研究對象為人造衛(wèi)星。衛(wèi)星是一種高動態(tài)復雜的系統(tǒng)，造價昂貴，維護成本高，并且對國家有及其重要的戰(zhàn)略意義。若衛(wèi)星狀態(tài)異變處理不及時可能會引發(fā)衛(wèi)星事故，造成嚴重損失。衛(wèi)星狀態(tài)異變往往伴隨著其關鍵參數的異變，因此可以基于關鍵參數歷史數據上對異變趨勢進行預測，以減小在軌衛(wèi)星發(fā)生不可逆故障的可能性。
　　本研究主要內容包括：⑴針對研究對象----合作方提供的衛(wèi)星實測信號

2、時間序列的特點進行簡要的分析，提出與之相適應的數據清洗預處理流程，包括去除野值、插值補償、高頻降噪，并說明機器學習模型預測精確度的量化判定指標。⑵使用淺層學習模型中的支持向量回歸機(SVR)對實測數據進行趨勢預測，該模型能夠高效地進行短時間趨勢預測。針對SVR參數最優(yōu)化問題，使用智能優(yōu)化算法中的遺傳算法以及粒子群算法，優(yōu)化SVR中自由參數，并在粒子群算法中優(yōu)化固定慣性權重為遞減慣性權重函數，同時添加收縮因子自適應項函數于速度迭代式，改善

3、其最優(yōu)搜索性能，從而使得預測模型更為精確。⑶使用深度學習模型深度神經網絡中長短期記憶網絡(LSTM)對實測數據進行情景學習和趨勢預測，該模型可以有效預測中長時間趨勢。循環(huán)神經網絡(RNN)具有學習序列情景特征的能力，可以獲得一定的短期記憶，但由于RNN存在梯度彌散問題導致無法解決序列長期依賴問題，基于此本文提出使用 LSTM。LSTM可以從結構源頭上改善RNN對長時間依賴的記憶能力，并通過防過擬合、小批量組合、自適應學習率等優(yōu)化技術建立