Peak Adversarial Autoencoder (Peak-AAE), peyk orbit zaman sıralarındakı normal quruluşu yenidən yaratmağı və normal davranışdan sapmaları rekonstruksiya qalıqları vasitəsilə üzə çıxarmağı hədəfləyən, pik ehtimalı yaradan xüsusi modulla genişləndirilmiş nəzarətsiz adversarial autoencoder arxitekturasıdır. Tədqiqatda Space-Track mənbəli Two-Line Element (TLE) qeydlərindən hesablanan yarım böyük ox dəyərləri Peak-AAE ilə yenidən qurulmuş, orijinal və rekonstruksiya edilmiş sıra arasındakı kvadrat fərq anomaliya balı kimi istifadə edilmiş və anomalilər Automatic Multi-Scale Peak Detection (AMPD) alqoritmi ilə müəyyən edilmişdir. BEIDOU-3 G2 üzərində metod orta hesabla %94,57 precision, %94,29 recall və %94,33 F1; IRNSS-1A üzərində isə %90,00 precision, %84,74 recall və %87,28 F1 göstərmişdir. Modelin sıxılmış Peak-AAE-Lite versiyası Raspberry Pi 4 Model B üzərində yer əsaslı edge-deployment sınağına cəlb edilmiş və orta inference gecikməsi 0,13 ms-dən 0,08 ms-ə endirilmişdir. Bununla belə, nəticələr yalnız araşdırılan iki GEO peyki və yer simulyasiyası şəraiti üçün təsdiqlənmişdir; real uçuş kompüterində on-orbit doğrulama aparılmamışdır.

Tədqiqatın əsas problemi iki istiqamətlidir. Ənənəvi peyk orbit anomaliyasının aşkarlanması üsulları çox vaxt yarım böyük ox dəyişikliyi, törəmə, orbit modeli ilə müşahidə arasındakı fərq və ya başqa əl ilə hazırlanmış xüsusiyyətlərə əsaslanır və anomaliya qərarı üçün pəncərə uzunluğunun və ya hədd dəyərinin əl ilə sazlanmasını tələb edə bilər. Digər tərəfdən, standart rekonstruksiya əsaslı dərin öyrənmə modelləri qısa müddətli orbit manevrinin başlanğıc və son tərəfində yaranan pik-vadi cütünün hansı tərəfinin əsas anomaliya nöqtəsi olduğunu həmişə etibarlı şəkildə ayıra bilməyə bilər. Peak-AAE-nin pik ehtimalı modulu bu ikinci problemə, təkmilləşdirilmiş AMPD isə hədd seçimi və verilənlər sırasının kənarlarındakı pik itkisi probleminə yönəlir.

Orbit anomaliyası niyə yarım böyük ox üzrə izlənir?

Tədqiqat orbit anomaliyalarını ümumilikdə idarə olunan manevrlər, toqquşma və ya yanacaq sızması kimi insan müdaxiləsindən kənar xüsusi hadisələr və ekstremal kosmik mühitin təsirləri olmaqla üç geniş sinfə ayırır. Lakin eksperimental məlumat baxımından ən müntəzəm tarixi qeydlər idarə olunan orbit manevrlərində mövcud olduğuna görə tədqiqat əsasən manevr aşkarlanmasına fokuslanmışdır.

Kosmik aparatın orbit parametrləri normal istismar zamanı nisbətən kiçik dəyişikliklər göstərdiyi halda, manevrlər zamanı daha nəzərəçarpacaq dəyişə bilər. Mənbəyə görə eyni orbit müstəvisi daxilində dəyişikliklərdə yarım böyük ox xüsusilə həssas parametrdir. Tədqiqat girişinin yarım böyük oxa fokuslanmasının səbəbi budur.

TLE məlumatından yarım böyük ox necə əldə edilir?

TLE süni peykin meyl, qalxan düyünün düz yüksəlişi, eksentrisitet, perigey arqumenti, orta anomaliya və orta hərəkət kimi orbit elementlərini iki sətirli standart qeyd daxilində verir. Yarım böyük ox TLE sahələrindən birbaşa biri deyil; tədqiqat onu orta hərəkətdən hesablayır.

Peykin bir gündə həyata keçirdiyi dövr sayı \(n\) olarsa, gün/dövr vahidində orbit periodu:

\[ T_1=\frac{1}{n} \]

Saniyə/dövr vahidinə çevrilmə:

\[ T_2=T_1\times86400 \]

Keplerin üçüncü qanunu tədqiqatda aşağıdakı şəkildə istifadə edilmişdir:

\[ \frac{T_2^2}{a^3}=\frac{4\pi^2}{GM} \]

Beləliklə yarım böyük ox:

\[ a=\sqrt[3]{\frac{GM T_2^2}{4\pi^2}} \]

şəklində hesablanır. Burada \(a\) yarım böyük oxu, \(T_2\) saniyə ilə orbit periodunu, \(G\) qravitasiya sabitini və \(M\) Yer kürəsinin kütləsini ifadə edir. Mənbə Yer üçün \(GM=398600.4418\ \mathrm{km^3/s^2}\) dəyərindən istifadə edir. Tənlikdə orbit periodu artdıqca, digər şərtlər dəyişmədikdə yarım böyük ox da artmalıdır; əlaqə xətti deyil, \(a\propto T^{2/3}\) formasındadır.

Zaman sırasının hazırlanması

Tarixi yarım böyük ox sırası uzunluğu \(m\) olan və addımı 1 seçilən sürüşən pəncərələrə bölünür. Orijinal məlumat uzunluğu \(L\) olarsa, model girişi təxminən \([L-m+1,m]\) ölçülü ikiölçülü struktur yaradır. Daha sonra Z-score normallaşdırması tətbiq olunur:

\[ X_{\mathrm{norm}}=\frac{X-\mu}{\sigma} \]

Burada \(X\) orijinal dəyər, \(\mu\) orta və \(\sigma\) standart sapmadır. Bu çevrilmə orbit dəyişikliyinin miqyasını normallaşdıraraq neyron şəbəkəsinin müxtəlif böyüklükləri daha sabit emal etməsinə kömək edir; fiziki yarım böyük ox dəyərinin özünü dəyişdirən yeni ölçmə deyil.

Peak-AAE nədir və niyə lazımdır?

Peak-AAE standart Adversarial Autoencoder strukturuna hər zaman nöqtəsi üçün pik ehtimalı yaradan modul əlavə edən nəzarətsiz rekonstruksiya modelidir; məqsəd orbit manevrinin başlanğıc və son tərəflərinin standart rekonstruksiya modellərində bir-birinə qarışdırılmasını azaltmaq və həqiqi anomaliya mövqeyinin daha aydın rekonstruksiya qalığı yaratmasını təmin etməkdir.

Adversarial Autoencoder nüvəsi

Standart Adversarial Autoencoder üç əsas komponentdən istifadə edir: encoder \(E\), decoder \(G\) və discriminator \(D\). Encoder giriş sırasını gizli fəzaya daşıyır, decoder gizli təmsildən giriş sırasını yenidən qurmağa çalışır və discriminator encoder-in yaratdığı gizli paylanmanı əvvəlcədən müəyyən edilmiş prior paylanma ilə müqayisə edir. Tədqiqatda prior paylanma normal paylanmadır.

Toplanmış gizli paylanma:

\[ q(z)=\int q(z|x)p_d(x)\,dx \]

münasibəti ilə ifadə olunur. Burada \(q(z|x)\), giriş \(x\)-in gizli fəza \(z\)-yə xəritələnməsini; \(p_d(x)\) isə giriş məlumatının paylanmasını ifadə edir.

Pik ehtimalı yaratma modulu

Peak-AAE-nin fərqləndirici komponenti üç alt strukturdan ibarətdir: çoxmiqyaslı xüsusiyyət çıxarılması, xüsusiyyətlərin birləşdirilməsi və pik ehtimalının yaradılması. İlk mərhələdə kernel ölçüləri 3, 5 və 7 olan üç birölçülü convolution qatı istifadə olunur. Beləliklə qısa və nisbətən daha geniş lokal naxışlar eyni vaxtda araşdırıla bilir. Sonrakı iki kernel-3 convolution qatı bu xüsusiyyətləri birləşdirir. Son mərhələdəki Sigmoid çıxışı hər məlumat nöqtəsi üçün 0–1 aralığında pik ehtimalı yaradır.

Birölçülü convolution əməliyyatı mənbədə:

\[ y[i]=\sum_{j=0}^{k-1}w[j]\,x[i\,s+j-p]+b \]

şəklində müəyyən edilmişdir. \(k\) kernel ölçüsü, \(s\) stride, \(p\) padding, \(w\) convolution çəkiləri və \(b\) bias dəyəridir.

Pik ehtimalı niyə nəzarətsiz öyrənilə bilir?

Modulun təlimində birbaşa etiketlənmiş “pik / pik deyil” hədəfi əvəzinə üç loss komponentindən istifadə olunur.

Seyrəklik itkisi:

\[ L_{\mathrm{sparsity}}=\frac{1}{N}\sum_{i=1}^{n}\mathrm{peak\_prob}_i \]

Pik nöqtələrinin bütün sıra daxilində az sayda olması gözlənildiyinə görə orta pik ehtimalının lazımsız şəkildə yüksəlməsi cəzalandırılır.

Hamarlıq itkisi:

\[ L_{\mathrm{smooth}}= \mathrm{MSE}\left( \mathrm{peak\_prob}[2,n], \mathrm{peak\_prob}[1,n-1] \right) \]

Qonşu nöqtələrin ehtimalları arasında həddindən artıq və nizamsız sıçrayışların yaranmasını məhdudlaşdırır.

Kontrast itkisi:

\[ L_{\mathrm{contrast}}= \frac{1}{N}\sum_{i=1}^{n} \left(\mathrm{peak\_prob}_i-\mathrm{MinMax}(x)_i\right)^2 \]

Min–max çevrilməsi:

\[ X_{\mathrm{norm}}= \frac{X-\min(x)} {\max(x)-\min(x)} \]

şəklindədir. Bu termin daha nəzərəçarpan amplitudaya malik nöqtələrlə daha yüksək pik ehtimalı arasında əlaqə qurmağa imkan verir. Mənbə xüsusilə bu strukturun klassik attention mexanizmi olmadığını vurğulayır: attention xüsusiyyət təmsilinin çəkilərini dəyişdirdiyi halda, burada hər mövqe üçün pik ehtimalı yaradılaraq loss hesabında mövqesəl fərqləndirmə aparılır.

Discriminator təlimi

Discriminator təlim edilərkən autoencoder çəkiləri sabit saxlanılır. Encoder tərəfindən yaradılan gizli vektorlar və normal paylanmadan nümunələnən vektorlar discriminator-a verilir. Binary cross-entropy əsaslı loss:

\[ L_D= E_{z\sim p(z)} [\mathrm{BCE}(D(z),1)] + E_{x\sim p_{\mathrm{data}}(x)} [\mathrm{BCE}(D(E(x)),0)] \]

şəklindədir. Discriminator-un vəzifəsi prior paylanmadan gələn nümunələri encoder mənşəli nümunələrdən ayırmaqdır.

Autoencoder itkisinin Peak-AAE-də dəyişdirilməsi

Encoder və decoder təlim edilərkən əsas rekonstruksiya xətasına, pik ehtimalı aşağı kimi müəyyən edilən nöqtələr üçün əlavə “non-peak” rekonstruksiya itkisi əlavə olunur:

\[ L_{\mathrm{basic\_recon}} = E_{x\sim p_{\mathrm{data}}(x)} \left[ \|x-G(E(x))\|^2 \right] \]

\[ L_{\mathrm{non\_peak}} = E_{x\sim p_{\mathrm{data}}(x)} \left[ \|x-G(E(x))\|^2\cdot \mathrm{peak\_mask}_i \right] \]

Ümumi rekonstruksiya itkisi:

\[ L_{\mathrm{total\_recon}} = 5L_{\mathrm{non\_peak}} + L_{\mathrm{basic\_recon}} \]

Adversarial loss:

\[ L_{\mathrm{adv}} = E_{x\sim p_{\mathrm{data}}(x)} [\mathrm{BCE}(D(E(x)),1)] \]

və son autoencoder itkisi:

\[ L_{\mathrm{AAE}} = L_{\mathrm{total\_recon}} + 0.5L_{\mathrm{adv}} \]

şəklində müəyyən olunur. Buradakı 5 əmsalı non-peak loss-un, 0,5 əmsalı isə adversarial loss-un nisbi çəkisidir. Bunlar tədqiqatın təlim dizaynına aid hiperparametrlərdir; “həddsiz” ifadəsi modelin heç bir hiperparametri olmadığı mənasına gəlmir. Müəlliflərin həddsiz adlandırdığı hissə son anomaliya qərarında əl ilə sabit hədd əvəzinə AMPD-dən istifadə edilməsidir.

Təlim parametrləri

AMPD alqoritmi bu tədqiqatda necə istifadə olunur?

AMPD, Peak-AAE tərəfindən yaradılan rekonstruksiya qalığı sırasındakı lokal pikləri bir neçə miqyasda axtararaq anomaliya namizədlərini müəyyən edən və bununla sabit anomaliya həddinin əl ilə seçilməsi ehtiyacını azaldan pik aşkarlama alqoritmidir; tədqiqat həmçinin sıranın başlanğıc və sonundakı anomalilərin itirilməsini azaltmaq üçün AMPD-nin sərhəd emalı mexanizmini dəyişdirmişdir.

Orijinal AMPD-də sərhəd problemi

AMPD əvvəlcə Local Maximum Scale (LMS) xəritəsini qurur, hər miqyas üçün cəmi hesablayır və ən kiçik cəmə uyğun miqyası optimal miqyas \(\lambda\) kimi seçir. Lokal maksimum qiymətləndirilməsi mahiyyətcə bir nöqtənin müəyyən məsafədəki iki qonşusu ilə müqayisəsinə əsaslanır. Lakin \(k\) dəyəri sıranın kənarındakı mövqeyə yaxınlaşdıqda indeks daşması yarana bilər.

Yalnız axtarış intervalını \([k,N-k]\) ilə məhdudlaşdırmaq proqramlaşdırma xətasının qarşısını alır, lakin bu dəfə sıranın əvvəl və sonundakı həqiqi anomalilər gözdən qaça bilər. Tədqiqatın həlli iki mərhələlidir:

1. Optimal miqyas axtarılarkən indeks intervalı təhlükəsiz sərhədlərlə məhdudlaşdırılır.
2. Həqiqi pik aşkarlamasında sıranın iki kənarına uzunluğu optimal miqyas qədər olan güzgü dəyərli padding əlavə olunur.

Bu dəyişikliyin təsiri BEIDOU-3 G2 üzərində göstərilmişdir. Orijinal AMPD son nöqtədəki 355-ci gün anomaliyasını qaçırdığı halda, kənar padding-dən istifadə edən versiya bu anomaliyanı aşkarlaya bilmişdir. Lakin müəlliflər ilk və ya son nöqtənin özü kənar maksimumu olduqda padding səbəbilə yalnış pik yarana biləcəyini də qeyd edirlər.

Tədqiqatın ümumi emal xətti

1. Space-Track-dən hədəf peykin tarixi TLE qeydlərini əldə et.
2. TLE orta hərəkətindən yarım böyük ox zaman sırasını hesabla.
3. Sürüşən pəncərə ilə sıranı nümunələrə böl və normallaşdır.
4. Pik ehtimalı modulunu nəzarətsiz şəkildə təlim et.
5. Autoencoder sabit olduqda discriminator-u təlim et.
6. Discriminator sabit olduqda encoder-decoder strukturunu xüsusi Peak-AAE loss funksiyası ilə təlim et.
7. Giriş sırasını Peak-AAE ilə yenidən qur.
8. Orijinal və rekonstruksiya edilmiş dəyərlərin kvadrat fərqini residual/anomaly-score sırası kimi hesabla.
9. Təkmilləşdirilmiş AMPD ilə residual piklərini aşkarl et.
10. Bu pikləri orbit manevri/anomaliya namizədləri kimi qiymətləndir.

Tədqiqatın metodu və nəticələri

Eksperimental məlumatlar

Sınaqdan keçirilən iki hədəf BEIDOU-3 G2 və IRNSS-1A naviqasiya peykləridir və hər ikisi geostationary Earth orbit (GEO) sinfinə daxildir. Müəlliflər GEO peyklərində tez-tez orbit düzəlişlərinin tarixi manevr məlumatlarını zənginləşdirdiyini və buna görə metodun qiymətləndirilməsi üçün uyğun olduqlarını bildirirlər.

BEIDOU-3 G2 üçün 1 yanvar 2022–31 dekabr 2022 dövrünün TLE qeydlərindən istifadə edilmişdir. 130, 168, 169, 200, 227 və 229-cu günlərdə TLE çatışmadığı üçün bu günlər zaman xəttindən çıxarılmışdır. Referans manevr qeydindəki 198-ci gün hadisəsi, yarım böyük oxdakı real dəyişiklik 196-cı gündə görüldüyünə görə müəlliflər tərəfindən 196-cı günə köçürülmüşdür. Bu məlumat dəstində 14 manevr nöqtəsi qiymətləndirilmişdir.

IRNSS-1A üçün 2018–2021 dövründən istifadə edilmişdir. Bu məlumat dəstində daha çox çatışmayan TLE qeydi var və müstəqil manevr tarixçəsi referansı olmadığına görə anomalilər tədqiqatçılar tərəfindən əl ilə müəyyən edilmişdir. Ardıcıl günlərin yarım böyük ox fərqi hesablanmış, 2δ prinsipi ilə namizədlər süzgəcdən keçirilmiş və namizəd nöqtələr yarım böyük ox qrafikindəki pik/vadi davranışına görə təsdiqlənmişdir. Mənbə ümumilikdə 38 manevr nöqtəsi sadalayır. Bu əl ilə etiketləmə proseduru IRNSS-1A nəticələrinin şərhində nəzərə alınmalı mühüm metodoloji məhdudiyyətdir.

Müəlliflər nizamsız TLE yenilənmə tezliyinin ardıcıl nümunə fərqlərini süni şəkildə dəyişməməsi üçün hər gün yalnız bir TLE qeydindən istifadə etməyi seçmişlər. Bu seçim zaman nümunə intervallarını daha oxşar etməyi hədəfləyir.

Qiymətləndirmə metrikləri

Anomaliya sinfi müsbət qəbul edilmişdir. Precision:

\[ \mathrm{Precision} = \frac{TP}{TP+FP} \]

modelin anomaliya adlandırdığı nöqtələrin nə qədərinin həqiqətən anomaliya olduğunu ölçür.

Recall:

\[ \mathrm{Recall} = \frac{TP}{TP+FN} \]

həqiqi anomalilərin nə qədərinin aşkarlanmasını göstərir.

F1-score:

\[ F1= 2\frac{\mathrm{Precision}\times\mathrm{Recall}} {\mathrm{Precision}+\mathrm{Recall}} \]

precision və recall arasındakı harmonik ortadır.

Müqayisəli təcrübələr

Peak-AAE ənənəvi Moving-Window Curve Fitting (MWCF), Semi-Major Axis Change Method (SACM) və dərin öyrənmə əsaslı VAE, USAD və Anomaly-Transformer ilə müqayisə edilmişdir. VAE, USAD, Anomaly-Transformer və təklif olunan metod beş müstəqil təkrarla işlədilmiş və orta ± standart sapma təqdim edilmişdir.

BEIDOU-3 G2-də SACM bütün həqiqi manevrləri aşkarlayaraq %100 recall əldə etmiş, lakin daha çox yalnış müsbət səbəbilə precision dəyəri %73,68-də qalmışdır. Buna görə yalnız “qaçırmamaq” baxımından SACM güclüdür; precision–recall tarazlığı baxımından Peak-AAE-nin F1 dəyəri daha yüksəkdir.

IRNSS-1A-da SACM-nin F1 dəyəri %90,00 ilə Peak-AAE-nin %87,28 dəyərindən yüksəkdir. Əvəzində Peak-AAE precision baxımından %90,00 ilə SACM-nin %85,71 dəyərini üstələyir. Buna görə nəticələr “təklif olunan metod hər metrikdə hər müqayisəni keçmişdir” kimi ümumiləşdirilməməlidir. Mənbənin əsas üstünlüyü, xüsusilə əl ilə xüsusiyyət mühəndisliyini azaldarkən rekonstruksiya əsaslı VAE, USAD və Anomaly-Transformer ilə müqayisədə nəzərəçarpacaq dərəcədə daha uğurlu anomaliya mövqeləndirilməsi göstərməsidir.

Xətalar harada yarandı?

BEIDOU-3 G2-də Peak-AAE-nin nümunə təcrübələrindən birində 265-ci gün manevri qaçırılmışdır. Müəlliflər bunu manevr ölçüsünün nisbətən kiçik olması ilə əlaqələndirirlər.

IRNSS-1A-da nümunə nəticədə bir yalnış müsbət və dörd qaçırma qeydə alınmışdır. Yalnış müsbət 419-cu gündə; qaçırılan hadisələr isə 44, 418, 661 və 780-ci günlərdədir. Mənbənin residual təhlilinə görə 44 və 780-ci günlərdə modelin residual siqnalı anomaliyanı ehtiva etdiyi halda AMPD pikləri ayıra bilməmişdir. 418 və 661-ci günlərdəki qaçırmalar və 419-cu gündəki yalnış müsbət isə birbaşa Peak-AAE rekonstruksiyası ilə əlaqələndirilmişdir.

Standart rekonstruksiya modelləri niyə çətinlik çəkir?

Tədqiqatın əsas müşahidəsi budur ki, orbit manevri çox vaxt qısa müddətdə sürətli pik və ardınca vadi və ya bunun tərsi formasında görünür. VAE və USAD nəticələrində bir çox yalnış müsbət və qaçırılmış anomaliya bir zaman addımı sürüşdürülmüş formada bir-biri ilə uyğunlaşır. Müəlliflər bunu modelin anomaliyanın başlanğıcı ilə sonunu etibarlı şəkildə ayıra bilməməsi kimi şərh edirlər. Peak-AAE-nin pik ehtimalı modulu məhz bu ayrımı yaxşılaşdırmaq üçün hazırlanmışdır.

Ablation tədqiqatı nə göstərir?

Burada ulduz işarəli AMPD*, tədqiqatda təklif olunan dəyişdirilmiş AMPD versiyasıdır. AAE-dən Peak-AAE-yə keçid hər iki məlumat dəstində performansı böyük ölçüdə artırdığı halda, yalnız AMPD dəyişikliyinin təsiri daha məhduddur. Buna görə mənbə anomaliya aşkarlama performansında əsas müəyyənedicinin residual siqnalı yaradan rekonstruksiya modelinin keyfiyyəti olduğunu müdafiə edir.

Statistik qeyri-müəyyənlik

Dərin öyrənmə təcrübələri beş müstəqil təkrarla aparılmış və əlavələrdə \(n=5\), sərbəstlik dərəcəsi 4 olan t-paylanmasından %95 etibar intervalları hesablanmışdır. Məsələn, təklif olunan metod üçün BEIDOU-3 G2 F1 etibar intervalı %90,58–%98,09; IRNSS-1A üçün %83,11–%91,44 kimi təqdim edilmişdir. Bu intervallar yalnız beş təkrar əsasında hesablandığı üçün, xüsusilə dəyişkənliyi yüksək modellərdə kifayət qədər geniş ola bilər.

Peak-AAE-Lite edge yerləşdirilməsi nə qazandırır?

Peak-AAE-Lite, Peak-AAE-nin əsas anomaliya aşkarlama mexanizmini qoruyaraq şəbəkə qatlarındakı parametr sayını azaldan versiyadır; Raspberry Pi 4B yer sınaqlarında ümumi parametr sayını 28.564-dən 9.308-ə endirərkən orta inference latency dəyərini 0,13 ms-dən 0,08 ms-ə salmış və throughput-u saniyədə 10.793,93 inference-dən 13.688,56 inference-ə yüksəltmişdir.

Edge sistem arxitekturası

Yer simulyasiyasında sistem üç hissəyə bölünmüşdür:

• Məlumat terminalı: sıxılmış Peak-AAE modelini təlim edir, TensorFlow Lite formatına çevirir, Raspberry Pi-yə yerləşdirir və CSV orbital məlumatlarını MQTT vasitəsilə yayımlayır.
• Edge node: MQTT vasitəsilə gələn orbital sıranı emal edir, Peak-AAE-Lite inference işlədir, orijinal və rekonstruksiya edilmiş məlumat arasındakı kvadrat fərqdən anomaly score hesablayır, AMPD tətbiq edir və nəticəni MQTT/HTTP vasitəsilə ötürür.
• Mobil terminal: üçüncü tərəf serverindən gələn anomaliya zaman damğası, peyk kimliyi və skor kimi məlumatları istifadəçiyə təqdim edir və log qeydi yaradır.

Mənbə həmçinin monitorinq interfeysinin Node-RED ilə yaradıldığını; keçmiş anomaly score, cari anomaly score və normal/anormal vəziyyət məlumatının interfeysdə göstərildiyini bildirir.

Model sıxılmasının nəticələri

Parametr sayı təxminən %67,4 azalarkən peak memory istifadəsinin yalnız 415,05 MB-dən 412,97 MB-yə düşməsi diqqətçəkəndir. Mənbə bunu TensorFlow Lite runtime, delegate strukturları və input/output tensor allocation xərclərinin ümumi yaddaşda böyük paya malik olması ilə izah edir. Buna görə parameter compression ilə proses yaddaşının eyni nisbətdə azalması gözlənilmir.

Bu benchmark-da inference testi 200 təkrar, throughput testi 10 saniyə və yaddaş testi 50 inference üzərindən aparılmışdır. Modelin giriş pəncərə ölçüsü 24 seçilmişdir; müəlliflər bunu broadcast ephemeris məlumatının təxminən saatlıq yenilənməsinə və bir günlük 24 məlumat nöqtəsinə uyğunlaşdırmaq məqsədilə izah edirlər.

Sıxılmadan sonra aşkarlama performansı

BEIDOU-3 G2-də recall %94,29 səviyyəsində qorunduğu halda precision 6,25 faiz bəndi və F1 3,21 faiz bəndi azalmışdır. IRNSS-1A-da precision 4,68, recall 5,27 və F1 4,99 faiz bəndi aşağı düşmüşdür. Beləliklə modelin kiçildilməsi gecikmə və throughput baxımından üstünlük versə də aşkarlama dəqiqliyi tam qorunmur.

Bu tədqiqat real uçuşda doğrulanmış peyk sistemidirmi?

Xeyr. Tədqiqatda alqoritm real tarixi TLE məlumatları ilə qiymətləndirilsə də Peak-AAE-Lite-ın edge deployment doğrulaması Raspberry Pi 4B üzərində aparılan yer simulyasiyasıdır; model real peyk uçuş kompüterində, radiasiya mühitində və ya əməliyyat on-orbit qərar dövründə sınaqdan keçirilməmişdir.

Tədqiqatın dəstəklədiyi nəticələr

• Pik ehtimalı modulundan istifadə edən AAE, araşdırılan iki GEO məlumat dəstində orijinal AAE ilə müqayisədə daha yüksək aşkarlama metrikləri yaratmışdır.
• Təkmilləşdirilmiş AMPD verilənlər sırasının kənarındakı bəzi anomalilərin qaçırılmasını azaltmışdır.
• Peak-AAE, xüsusilə VAE, USAD və Anomaly-Transformer rekonstruksiya nəticələri ilə müqayisədə araşdırılan tapşırıqda xeyli yüksək performans göstərmişdir.
• Modelin kiçildilməsi Raspberry Pi sınağında inference latency və throughput-u yaxşılaşdırmışdır.
• Sıxılmış model performans itkisinə baxmayaraq araşdırılan iki məlumat dəstində istifadə oluna biləcək səviyyədə F1 dəyərlərini qorumuşdur.

Tədqiqatın təkbaşına dəstəkləmədiyi nəticələr

• Metodun LEO, MEO və ya HEO orbitlərində eyni performansı verəcəyi eksperimental olaraq göstərilməmişdir.
• Real peyk kompüterində on-orbit real-time əməliyyat uğuru sübut edilməmişdir.
• IRNSS-1A ground-truth etiketləri müstəqil rəsmi manevr tarixçəsindən deyil, tədqiqatdakı əl üsulundan əldə edilmişdir.
• Metod bütün mümkün orbit anomaliyası növlərini ayrıca siniflər kimi diaqnostika etmir; təcrübələrin əsas fokusu manevr hadisələridir.
• Anomaliya aşkarlama balı hadisənin fiziki səbəbini öz-özünə müəyyən edən diaqnostik mexanizm deyil.

Mənbə daxilində kəmiyyət və terminoloji uyğunsuzluqlar

Mənbənin giriş bölməsi Peak-AAE-nin təxminən 48 min parametrdən 9,3 min parametrə endirildiyini və model ölçüsünün 201 KB-dən 52 KB-yə düşdüyünü bildirir. Buna qarşılıq ətraflı edge-deployment Cədvəl 9 Peak-AAE üçün 28.564, Peak-AAE-Lite üçün 9.308 ümumi parametr göstərir. Eyni giriş abzasındakı “maksimum dəqiqlik itkisi %2,85” ifadəsi də Cədvəl 11–12-də görünən bəzi 3–6 faiz bəndlik metrik dəyişiklikləri ilə birbaşa uyğun gəlmir. Buna görə bu Verianla mətnində ətraflı müqayisələr üçün cədvəlləşdirilmiş nəticələr əsas götürülmüş, girişdəki fərqli dəyərlər mənbədaxili uyğunsuzluq kimi qorunmuşdur.

Həmçinin nəticə bölməsində metodun nüvəsinə “SGP4 residual reconstruction” ifadəsi ilə istinad edilir. Lakin təklif olunan əsas metod bölməsində yarım böyük ox TLE orta hərəkətindən Kepler əlaqəsi ilə hesablanır, residual isə Peak-AAE-nin orijinal sıra ilə rekonstruksiya edilmiş sıra arasındakı fərqindən yaradılır. SGP4/SDP4 girişdə mövcud ədəbiyyatın istifadə etdiyi üsullardan biri kimi təsvir edilmişdir. Buna görə SGP4 ifadəsi burada təklif olunan metodun təsdiqlənmiş emal addımı kimi genişləndirilməmişdir.

Mənbə və metod qeydi

Orijinal tədqiqat: A Lightweight Satellite Orbit Anomaly Detection Method Based on Peak-AAE and Its Edge Deployment

Müəlliflər: Yang Guo; Xiaolong Yue; Boyang Wang; Bingchuan Li.

Məsul müəllif: Xiaolong Yue.

Qurum: Shandong Key Laboratory of Space Debris Monitoring and Low-Orbit Satellite Networking, Qingdao University of Technology, Qingdao, Çin.

Jurnal: Aerospace.

Nəşriyyat: MDPI.

Cild / say / məqalə: 13 / 9 / 802.

Nəşr tarixi: 2 sentyabr 2026.

DOI: 10.3390/aerospace13090802.

Mənbə növü: Rəyçi qiymətləndirməsindən keçmiş tədqiqat məqaləsi.

Lisenziya: Creative Commons Attribution (CC BY). Mənbə PDF lisenziyanın CC BY olduğunu açıq şəkildə bildirir. Verianla izahı mənbə cümlələrinin yenidən yazılması formasında deyil, elmi metod, say, tənlik və nəticələrin müstəqil tədris quruluşunda təqdim edilməsi şəklində hazırlanmışdır.

Məlumat əlçatanlığı: Müəlliflər istifadə olunan peyk məlumatlarının Space-Track mənbəli olduğunu bildirirlər.

Maliyyələşdirmə: Tədqiqat Shandong Province Key Research and Development Program çərçivəsində 2026CXPT113 nömrəli layihə tərəfindən dəstəklənmişdir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşmasının olmadığını bəyan etmişlər.

Müəllif töhfələri: Mənbənin bəyanına görə eksperimental iş Y.G. tərəfindən həyata keçirilmiş, məqalə X.Y. tərəfindən yazılmış, B.W. və B.L. reviziya üçün rəy təqdim etmiş və bütün müəlliflər yekun mətni nəzərdən keçirmişlər.

Əsas metodoloji məhdudiyyətlər: Doğrulama iki GEO peyki ilə məhduddur. IRNSS-1A anomaliləri müstəqil tarixi manevr qeydi əvəzinə əl üsulu ilə etiketlənmişdir. Çatışmayan TLE qeydləri mövcuddur. Edge cihaz doğrulaması Raspberry Pi üzərində yer simulyasiyasıdır; on-orbit deployment deyil. LEO, MEO və HEO-ya köçürülə bilmə müəlliflər tərəfindən nəzəri imkan kimi müzakirə edilmiş, bu orbit siniflərində eksperimental olaraq təsdiqlənməmişdir.