一種基于歷史遙測數(shù)據(jù)的在軌衛(wèi)星故障預(yù)警系統(tǒng)

秦 巍 郭永富

(北京空間飛行器總體設(shè)計部,北京 100094)

1 引言

隨著在軌衛(wèi)星數(shù)量、設(shè)計壽命和型號種類的不斷增加,維持其安全穩(wěn)定運(yùn)行變得越來越重要,在軌管理的難度也逐年加大。在軌衛(wèi)星長期運(yùn)行在空間環(huán)境中,受到多種不確定性因素的作用,其性能與功能可能會出現(xiàn)變化,反映在遙測參數(shù)上也會有些變化,如果在軌衛(wèi)星發(fā)生異常,相應(yīng)的遙測參數(shù)的變化趨勢也會發(fā)生改變。因此,分析在軌衛(wèi)星的遙測數(shù)據(jù)變化規(guī)律,選擇相適應(yīng)的數(shù)據(jù)預(yù)測方法,對遙測數(shù)據(jù)進(jìn)行預(yù)測,并在此基礎(chǔ)上實(shí)現(xiàn)預(yù)警,可以在早期及時發(fā)現(xiàn)遙測數(shù)據(jù)的異常變化,有效避免可能發(fā)生的重大故障,降低衛(wèi)星在軌運(yùn)行的風(fēng)險,同時為異常的處理贏得寶貴時間,這對于提高衛(wèi)星在軌運(yùn)行的安全性和可靠性具有重要的意義[1]。

構(gòu)建基于歷史遙測數(shù)據(jù)的在軌衛(wèi)星預(yù)警系統(tǒng)的基本思路如下:根據(jù)在軌衛(wèi)星歷史遙測數(shù)據(jù)的變化趨勢,結(jié)合實(shí)時的遙測數(shù)據(jù)和衛(wèi)星所處的實(shí)際狀態(tài),選擇相適應(yīng)的預(yù)測算法,預(yù)測一段時間以后在軌衛(wèi)星參數(shù)的變化,給出預(yù)測值,預(yù)測結(jié)果可輸入在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng),實(shí)現(xiàn)對在軌衛(wèi)星遙測參數(shù)的預(yù)警[1]。

2 衛(wèi)星遙測參數(shù)變化規(guī)律分析

為了全面地反映衛(wèi)星在軌期間的性能及工作狀態(tài),每顆衛(wèi)星都設(shè)計了大量的遙測參數(shù)。衛(wèi)星遙測數(shù)據(jù)是進(jìn)行預(yù)測的基礎(chǔ),這些遙測參數(shù)中包括了電壓、電流、溫度、壓力、計數(shù)、星上設(shè)備狀態(tài)等,既有模擬量,又有數(shù)字量;其變化有的受空間環(huán)境影響較大,有的與衛(wèi)星工作狀態(tài)直接相關(guān),呈現(xiàn)出各種變化規(guī)律。在對衛(wèi)星遙測數(shù)據(jù)進(jìn)行預(yù)測之前,首先需要了解衛(wèi)星遙測數(shù)據(jù)的特點(diǎn),對在軌衛(wèi)星的遙測參數(shù)變化規(guī)律進(jìn)行研究,分析其變化的特性并據(jù)此進(jìn)行分類,在此基礎(chǔ)上尋找相適應(yīng)的數(shù)據(jù)預(yù)測方法。

2.1 遙測參數(shù)的分類

從數(shù)據(jù)分析以及數(shù)據(jù)處理的角度出發(fā),按照數(shù)據(jù)的類型可以將遙測參數(shù)分為整型、浮點(diǎn)型等。

整型的遙測參數(shù)一般包括標(biāo)識字、狀態(tài)字等。標(biāo)識字包括幀同步字、衛(wèi)星識別字等,在整個壽命期間保持不變,為固定的二進(jìn)制碼,通常以十六進(jìn)制的形式顯示;狀態(tài)字反映星上設(shè)備的工作狀態(tài)等,會根據(jù)衛(wèi)星的具體情況而變化,受到衛(wèi)星狀態(tài)、地面指令控制等因素的影響。

浮點(diǎn)型遙測參數(shù)主要包括溫度、電壓、電流、壓力等物理量,通常是連續(xù)變化的。溫度參數(shù)受太陽光照強(qiáng)度、設(shè)備工作狀態(tài)等因素的影響;電壓分為一次電源電壓和二次電源電壓,兩者都較為穩(wěn)定,尤其是二次電源電壓;電流表征了星上設(shè)備的工作功耗,隨設(shè)備的開關(guān)機(jī)狀態(tài)會有一定的波動;壓力受貯箱溫度、燃料剩余量等因素的影響。

2.2 遙測參數(shù)變化規(guī)律研究

根據(jù)2.1 節(jié)中的分析可知,整型遙測參數(shù)因?yàn)槭苄l(wèi)星設(shè)備工作狀態(tài)、地面指令的直接影響,難以通過歷史數(shù)據(jù)對未來的變化進(jìn)行預(yù)測,本文主要針對浮點(diǎn)型的遙測參數(shù)進(jìn)行研究(文中若未特別指出,都只針對浮點(diǎn)型的遙測參數(shù))。

基于對在軌衛(wèi)星歷史遙測數(shù)據(jù)的分析,以故障預(yù)警為出發(fā)點(diǎn),對衛(wèi)星遙測參數(shù)的變化規(guī)律研究時至少要(但不僅限于)考慮以下幾種情況。

1)遙測數(shù)據(jù)平穩(wěn)變化或維持在一恒定值附近

在衛(wèi)星設(shè)備狀態(tài)未發(fā)生改變時,遙測參數(shù)的變化率不會改變,參數(shù)平穩(wěn)變化。此類參數(shù)主要包括特定衛(wèi)星狀態(tài)下的電壓、溫度參數(shù)等,可基于歷史數(shù)據(jù)對未來數(shù)據(jù)進(jìn)行預(yù)測。參數(shù)變化曲線如圖1所示。

圖1 遙測參數(shù)變化示意圖一Fig.1 Telemetry data change chart 1

2)無狀態(tài)、測控事件發(fā)生而參數(shù)變化率有階躍性跳變

在沒有狀態(tài)、事件發(fā)生時,遙測參數(shù)的變化率突然發(fā)生變化。在出現(xiàn)此情況時,應(yīng)根據(jù)新的變化率對未來的數(shù)據(jù)進(jìn)行預(yù)測,提前發(fā)現(xiàn)遙測參數(shù)的超限情況。這種類型主要包括不受狀態(tài)、事件影響的溫度等參數(shù),參數(shù)變化曲線如圖2所示。出現(xiàn)此種情況時,很可能是異常情況,應(yīng)重點(diǎn)關(guān)注。3)與衛(wèi)星狀態(tài)、測控事件相關(guān)聯(lián)的遙測參數(shù)

圖2 遙測參數(shù)變化示意圖二Fig.2 Telemetry data change chart 2

在衛(wèi)星狀態(tài)改變或測控事件發(fā)生后,該類遙測參數(shù)是否異常的判斷準(zhǔn)則發(fā)生改變,應(yīng)按新的診斷知識進(jìn)行判斷。例如:加熱器打開,溫度會開始上升,然后穩(wěn)定在一定的范圍內(nèi),參數(shù)新的變化范圍與原來會有一定的差別,但屬正常情況,只是狀態(tài)發(fā)生前后判斷準(zhǔn)則不同。參數(shù)變化曲線如圖3所示。

另一種情況是狀態(tài)發(fā)生改變或事件發(fā)生后,參數(shù)曲線突然跳變,例如:在衛(wèi)星由光照區(qū)進(jìn)入地影區(qū)時,太陽翼輸出電流會產(chǎn)生突變,平臺和載荷的設(shè)備開機(jī)時其工作電壓、工作電流也會發(fā)生較大幅度的變化。此情況與圖3 中所示基本相似,但參數(shù)會在此點(diǎn)上進(jìn)行突變,屬正常情況,只是狀態(tài)發(fā)生前后判斷準(zhǔn)則不同。參數(shù)變化曲線如圖4所示。

圖3 遙測參數(shù)變化示意圖三Fig.3 Telemetry data change chart 3

圖4 遙測參數(shù)變化示意圖四Fig.4 Telemetry data change chart 4

4)周期變化的參數(shù)

衛(wèi)星遙測數(shù)據(jù)以年、月或天為周期變化,每個周期的數(shù)據(jù)可能會略有差別。參數(shù)變化曲線如時間。

如圖5所示。要能夠基于這種周期的特點(diǎn)對未來的參數(shù)值進(jìn)行預(yù)測。

圖5 遙測參數(shù)變化示意圖五Fig.5 Telemetry data change chart 5

以上僅為遙測數(shù)據(jù)幾種理想化的簡單模型,遙測數(shù)據(jù)實(shí)際的變化規(guī)律會更加復(fù)雜,在實(shí)際軟件系統(tǒng)的設(shè)計中,要對遙測數(shù)據(jù)進(jìn)行更加詳盡的分析與分類,深入研究其變化規(guī)律。對遙測數(shù)據(jù)變化規(guī)律進(jìn)行分析,研究數(shù)據(jù)對象的特征,針對不同變化規(guī)律的遙測數(shù)據(jù),分別設(shè)計相適應(yīng)的預(yù)測方法。

3 在軌遙測數(shù)據(jù)預(yù)測方法研究

針對航天器的遙測數(shù)據(jù)變化發(fā)展的特點(diǎn),對一些預(yù)測方法進(jìn)行了研究。通過研究分析發(fā)現(xiàn),在這些方法中,比較適合于在軌航天器遙測數(shù)據(jù)預(yù)測的一些方法包括曲線擬合預(yù)測法、時間序列平滑預(yù)測法(重點(diǎn)是求和自回歸滑動平均模型預(yù)測法)、回歸預(yù)測法(包括非參數(shù)回歸預(yù)測法等)、因果預(yù)測法、神經(jīng)網(wǎng)絡(luò)預(yù)測法等。以下對各種方法的特點(diǎn)和適應(yīng)性進(jìn)行描述。

3.1 基于多項(xiàng)式擬合外推的預(yù)測技術(shù)

基于多項(xiàng)式擬合進(jìn)行外推的預(yù)測方法,是根據(jù)衛(wèi)星數(shù)據(jù)的歷史和實(shí)時數(shù)據(jù),尋求衛(wèi)星數(shù)據(jù)隨時間推移而發(fā)展變化的規(guī)律,通過對參數(shù)變化曲線進(jìn)行多項(xiàng)式擬合,得到擬合公式,利用該擬合公式進(jìn)行外推,推測其未來狀況的一種預(yù)測方法。

該方法的假設(shè)條件是:

1)假設(shè)衛(wèi)星數(shù)據(jù)的變化過程沒有跳躍式變化,即衛(wèi)星遙測數(shù)據(jù)的變化是連續(xù)的;

2)假設(shè)所研究的衛(wèi)星各分系統(tǒng)的結(jié)構(gòu)、功能等基本保持不變,即假定由歷史遙測數(shù)據(jù)所建立的外推模型能反映未來數(shù)據(jù)的變化。

基于多項(xiàng)式擬合外推的預(yù)測方法的主要步驟是:

1)根據(jù)參數(shù)選擇擬合方法模型,設(shè)定擬合的階數(shù);

2)進(jìn)行多項(xiàng)式擬合訓(xùn)練,得出擬合公式;

3)根據(jù)訓(xùn)練結(jié)果調(diào)整擬合過程;

4)根據(jù)擬合公式外推預(yù)測。

該方法對于周期性隨時間緩慢變化的遙測數(shù)據(jù)預(yù)測具有很好的效果,即比較適合于周期變化的參數(shù)預(yù)測。此方法還適合于在沒有狀態(tài)、事件發(fā)生時,遙測參數(shù)的變化率突然發(fā)生變化的遙測參數(shù)以及與狀態(tài)和事件相關(guān)聯(lián)的參數(shù)的預(yù)測。

3.2 基于求和自回歸滑動平均模型的時間序列分析預(yù)測技術(shù)[2-7]

差分方法是一種非常簡便、有效的確定性信息提取方法。差分運(yùn)算具有強(qiáng)大的確定性信息提取能力,許多非平穩(wěn)序列差分后會顯示出平穩(wěn)序列的性質(zhì),這時我們稱這個非平穩(wěn)序列為差分平穩(wěn)序列。對差分平穩(wěn)序列可以使用求和自回歸滑動平均模型(簡記為ARM A模型)進(jìn)行預(yù)測。

ARM A模型預(yù)測法是時間序列分析預(yù)測方法的一種,又稱博克斯-詹金斯法,適合處理復(fù)雜的具有各種模式的時間序列。這種模式可包含趨勢變動、季節(jié)變動、循環(huán)波動和隨機(jī)波動等因素的綜合影響。

ARM A模型預(yù)測的過程可描述如下:1)獲取觀察值序列;

2)平穩(wěn)性檢驗(yàn)、差分運(yùn)算;

3)白噪聲檢驗(yàn);

4)創(chuàng)建ARM A預(yù)測模型;

5)調(diào)用模型對遙測數(shù)據(jù)進(jìn)行預(yù)測。

此方法適合處理復(fù)雜的具有各種模式的時間序列,是用于解決非平穩(wěn)趨勢數(shù)據(jù)預(yù)測問題的最常用的模型?？梢杂糜谥芷谧兓膮?shù)和遙測數(shù)據(jù)平穩(wěn)變化或維持在一恒定值附近的參數(shù)預(yù)測。

3.3 基于非參數(shù)回歸的預(yù)測技術(shù)

非參數(shù)回歸的回歸函數(shù)Y =gn(X)的估計

gn(X)一般表示為下述形式:

其中,Y為一維觀測隨機(jī)向量;X為n 維隨機(jī)自變量;(Xi,Yi)為第i次觀測值;i =1,2,…,n;Wi(Xi)為權(quán)函數(shù)。非參數(shù)回歸就是對gn(X)的形狀不加任何限制,即對gn(X)一無所知的情況下,利用觀測值(Xi,Yi),對指定的X值,去估計Y值。由于其不需要對系統(tǒng)建立精確的數(shù)學(xué)模型,因此比較適合對時變的、非線性的系統(tǒng)進(jìn)行預(yù)測。

非參數(shù)回歸方法由于只要有大量的歷史數(shù)據(jù)就可以進(jìn)行預(yù)測,不需要建立預(yù)測模型,非常適合對于周期性明顯的這種非線性的數(shù)據(jù)進(jìn)行預(yù)測。該方法適合于短期預(yù)測,預(yù)測時間在1～2h 內(nèi)效果較好。

3.4 基于神經(jīng)網(wǎng)絡(luò)的預(yù)測技術(shù)[8-11]

誤差反向后傳(Back Propagation,BP)網(wǎng)絡(luò)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)之一,是一種正向求解、反向傳播并達(dá)到修改網(wǎng)絡(luò)層次之間連線上權(quán)值的網(wǎng)絡(luò)模型。BP算法的具體思想是:對一個輸入樣本,從輸入層經(jīng)隱含層逐層正向計算,得到輸出層的輸出。然后,讓它與期望樣本比較,如有偏差,則把輸出層單元的誤差向輸入層逆向傳播,由此調(diào)整連接權(quán)值與閾值,從而使網(wǎng)絡(luò)輸出值逼近期望輸出,通常使之達(dá)到誤差均方值取最小為止。

BP 網(wǎng)絡(luò)的算法描述如下:

1)網(wǎng)絡(luò)初始化;

2)輸入第一個學(xué)習(xí)樣本;

3)求中間層的輸入和輸出;

4)求輸出層的輸入和輸出;

5)計算輸出層的誤差;

6)計算中間層的誤差;

7)調(diào)整各層的誤差;

8)輸入下一個學(xué)習(xí)樣本。

在上述過程中,首先規(guī)定訓(xùn)練次數(shù)和期望誤差,當(dāng)次數(shù)超過要求次數(shù)或誤差達(dá)到期望值,即停止訓(xùn)練,將結(jié)果存儲。

基于神經(jīng)網(wǎng)絡(luò)的預(yù)測模型,比較適合用于緩變的在軌遙測數(shù)據(jù)變化情況,適合于具有大量歷史訓(xùn)練樣本數(shù)據(jù)的遙測參數(shù)的預(yù)測。BP 神經(jīng)網(wǎng)絡(luò)預(yù)測法的樣本選取和訓(xùn)練過程較為復(fù)雜,可能會耗費(fèi)一定的時間才能得出預(yù)測結(jié)果。當(dāng)對預(yù)測誤差的要求相對較低的情況下(如大于10%的誤差),該方法可以作為一種候補(bǔ)的遙測數(shù)據(jù)預(yù)測方法,用于當(dāng)其他預(yù)測方法無法滿足遙測數(shù)據(jù)預(yù)測要求的補(bǔ)充。

4 衛(wèi)星故障預(yù)警系統(tǒng)構(gòu)架設(shè)計

基于歷史遙測數(shù)據(jù)的衛(wèi)星故障預(yù)警系統(tǒng)要實(shí)時接收衛(wèi)星的遙測數(shù)據(jù),同時要能夠查詢歷史遙測數(shù)據(jù)庫,并將預(yù)測結(jié)果輸出給遙測參數(shù)判讀系統(tǒng),進(jìn)而實(shí)現(xiàn)在軌衛(wèi)星的遙測參數(shù)預(yù)警,系統(tǒng)的輸入輸出接口關(guān)系以及構(gòu)架設(shè)計如圖6所示,主要由實(shí)時預(yù)測模塊、預(yù)處理模塊、模擬數(shù)據(jù)產(chǎn)生器模塊、在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng)組成。

4.1 實(shí)時預(yù)測模塊

基于歷史遙測數(shù)據(jù)的衛(wèi)星故障預(yù)警系統(tǒng)的核心是對在軌衛(wèi)星遙測數(shù)據(jù)進(jìn)行預(yù)測,基于歷史遙測數(shù)據(jù),按照一定的數(shù)據(jù)預(yù)測算法,輸出遙測數(shù)據(jù)的預(yù)測結(jié)果至在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng)。本模塊至少要滿足以下功能:

1)可自動再次對遙測數(shù)據(jù)進(jìn)行分析、學(xué)習(xí),并具有根據(jù)狀態(tài)和事件變化重新累積數(shù)據(jù)和重新預(yù)測功能;

2)當(dāng)預(yù)測值與實(shí)際數(shù)據(jù)的差大于一定的限度(此值存在一默認(rèn)值,也可由用戶手動進(jìn)行設(shè)點(diǎn))時,應(yīng)給出提示;

3)在具有系統(tǒng)默認(rèn)配置的功能下,提供手動設(shè)置功能,可以事先人工干預(yù),選擇預(yù)測算法等參數(shù);

4)針對每種變化規(guī)律的遙測參數(shù),至少有2 種適應(yīng)的預(yù)測方法,能夠同時進(jìn)行預(yù)測并通過性能對比。

圖6 基于歷史遙測數(shù)據(jù)的在軌衛(wèi)星預(yù)警系統(tǒng)接口關(guān)系及系統(tǒng)構(gòu)架Fig.6 Structure and interfaces of the w arning system

4.2 預(yù)處理模塊

針對可能出現(xiàn)的遙測數(shù)據(jù)不連續(xù)、跳碼多等非平穩(wěn)現(xiàn)象,預(yù)處理模塊要對遙測數(shù)據(jù)進(jìn)行處理,從中選擇有效的數(shù)據(jù);同時要能夠?qū)v史數(shù)據(jù)按一定的周期進(jìn)行采樣,為預(yù)測提供特定時間間隔的數(shù)據(jù)。

4.3 模擬數(shù)據(jù)產(chǎn)生器模塊

產(chǎn)生模擬數(shù)據(jù),然后輸入到實(shí)時預(yù)測模塊,對預(yù)測值與實(shí)際值進(jìn)行比對進(jìn)而驗(yàn)證系統(tǒng)的性能,作為驗(yàn)收的一個指標(biāo)。該模擬數(shù)據(jù)產(chǎn)生器要能夠按照用戶的配置產(chǎn)生特定變化規(guī)律的

模擬數(shù)據(jù),或?qū)?shí)際數(shù)據(jù)進(jìn)行修改產(chǎn)生模擬數(shù)據(jù)。

4.4 客戶端模塊

系統(tǒng)設(shè)計采用瀏覽器/服務(wù)器(B/S)結(jié)構(gòu),在客戶端瀏覽器窗口中,要集成以上各條中所定義的參數(shù)配置和信息輸出功能,同時要嵌入報警系統(tǒng)的輸出信息窗口。

4.5 在軌衛(wèi)星遙測數(shù)據(jù)判讀系統(tǒng)

根據(jù)衛(wèi)星遙測參數(shù)的設(shè)計值以及實(shí)際在軌期間的數(shù)據(jù),設(shè)定其變化的上下限,對超出此范圍的參數(shù)值進(jìn)行報警提示。

4.6 輸入接口

通過網(wǎng)絡(luò)接收在軌衛(wèi)星的實(shí)時遙測數(shù)據(jù),并通過與遙測數(shù)據(jù)庫建立數(shù)據(jù)接口查詢歷史遙測數(shù)據(jù)。

5 應(yīng)用驗(yàn)證

利用某衛(wèi)星發(fā)生故障期間的實(shí)際數(shù)據(jù)對預(yù)警系統(tǒng)的應(yīng)用效果進(jìn)行了驗(yàn)證。

2008年該星發(fā)生了一次異常。在異常發(fā)生前,遙測參數(shù)1、2 緩慢、平穩(wěn)變化;在故障發(fā)生后,兩個參數(shù)均快速上升,整體預(yù)測效果如圖7、圖8所示。由圖可見,預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)的變化吻合,并且能夠提前發(fā)現(xiàn)數(shù)據(jù)的異常變化(實(shí)際運(yùn)行中預(yù)測曲線要提前于實(shí)際數(shù)據(jù)變化曲線)。

實(shí)際應(yīng)

用中,在軌衛(wèi)星發(fā)生異常,某個遙測參數(shù)值異常攀升或下降,初期因?yàn)闆]有超過預(yù)先設(shè)定的門限值,監(jiān)測人員無法發(fā)現(xiàn)異常,如果經(jīng)過此預(yù)警系統(tǒng),經(jīng)過一段時間的數(shù)據(jù)積累,系統(tǒng)能夠快速給出一段時間后參數(shù)越界的預(yù)警,提醒監(jiān)測人員重點(diǎn)關(guān)注,便于監(jiān)測人員早期發(fā)現(xiàn)異常變化趨勢,為故障處理贏得時間。

6 結(jié)論

本文對在軌衛(wèi)星遙測數(shù)據(jù)進(jìn)行了分類,分析了其變化規(guī)律;研究了幾種主流的數(shù)據(jù)預(yù)測理論的算法及適用性,在此基礎(chǔ)上提出了一種基于歷史遙測數(shù)據(jù)的衛(wèi)星故障預(yù)警系統(tǒng)的構(gòu)架設(shè)計,并定義了系統(tǒng)中各模塊的功能及接口關(guān)系,對實(shí)際應(yīng)用效果進(jìn)行了驗(yàn)證。所設(shè)計的系統(tǒng)對及早發(fā)現(xiàn)在軌衛(wèi)星的故障、提高衛(wèi)星在軌運(yùn)行的安全性和可靠性具有重要的意義。

圖7 遙測參數(shù)1 預(yù)測效果Fig.7 Forecasting result of telemetry parameter 1

圖8 遙測參數(shù)2 預(yù)測效果Fig.8 Forecasting result of telemetry parameter 2

References)

[1]王環(huán),郭義琪,秦巍,等.構(gòu)建多航天器在軌管理平臺[J].航天器工程,2007,16(3):114-119

[2]楊德斌,韓志清.設(shè)備故障停機(jī)時間的ARMA模型預(yù)測[J].冶金設(shè)備,2006(1)

[3]韓超,宋蘇,王成紅.基于ARIM A模型的短時交通流實(shí)時自適應(yīng)預(yù)測[J].系統(tǒng)仿真學(xué)報.2004

[4]李瑞瑩,康銳.基于ARMA模型的故障率預(yù)測方法研究[J].系統(tǒng)工程與電子技術(shù),2008,30(8)

[5]盧建昌,張世英,牛東曉.基于ARIMA的發(fā)電量預(yù)測方法[J].華北電力大學(xué)學(xué)報,2004,31(3)

[6]池啟水.中國石油消費(fèi)量增長趨勢分析——基于ARIMA模型的預(yù)測與分析[J].資源科學(xué),2007,29(5)

[7]仝艷時,陳鵬.時間序列模型在火警短期預(yù)測中的應(yīng)用[J].火災(zāi)科學(xué),2008,17(4)

[8]任志鴻.BP 神經(jīng)網(wǎng)絡(luò)在氣象數(shù)據(jù)預(yù)測研究中的應(yīng)用[J].農(nóng)業(yè)網(wǎng)絡(luò)信息,2007(11)

[9]周春光,邢輝,徐振龍,等.商業(yè)數(shù)據(jù)的預(yù)測模型及其算法研究[J].吉林大學(xué)學(xué)報(信息科學(xué)版),2002,20(3)

[10]周永進(jìn),蔡惠.改進(jìn)的BP 網(wǎng)絡(luò)及其在數(shù)據(jù)預(yù)測中的應(yīng)用[J].微計算機(jī)信息,2007,23(3,9)

[11]王一夫,陳松喬,陳安.海量數(shù)據(jù)預(yù)測模型設(shè)計及案例分析[J].計算機(jī)工程與應(yīng)用,2005(19)