Peak Adversarial Autoencoder (Peak-AAE) — спутниктин орбиталык убакыт катарларындагы нормалдуу түзүлүштү кайра курууга жана нормалдуу жүрүм-турумдан четтөөлөрдү реконструкция калдыктары аркылуу ачып көрсөтүүгө багытталган, чоку ыктымалдыгын чыгаруучу атайын модуль менен кеңейтилген көзөмөлсүз adversarial autoencoder архитектурасы. Изилдөөдө Space-Track булагындагы Two-Line Element (TLE) жазууларынан эсептелген жарым чоң огу маанилери Peak-AAE менен кайра курулуп, баштапкы жана реконструкцияланган катарлардын ортосундагы квадраттык айырма аномалия упайы катары колдонулган жана аномалиялар Automatic Multi-Scale Peak Detection (AMPD) алгоритми менен аныкталган. BEIDOU-3 G2 үчүн ыкма орточо %94,57 precision, %94,29 recall жана %94,33 F1; IRNSS-1A үчүн %90,00 precision, %84,74 recall жана %87,28 F1 көрсөткөн. Моделдин кысылган Peak-AAE-Lite версиясы Raspberry Pi 4 Model B түзмөгүндө жер үстүндөгү edge-deployment сыноосунан өткөрүлүп, орточо inference кечигүүсү 0,13 ms ден 0,08 ms ге чейин азайтылган. Бирок натыйжалар изилденген эки GEO спутниги жана жер симуляциясынын шарттары үчүн гана ырасталган; чыныгы учуу компьютеринде on-orbit текшерүү жүргүзүлгөн эмес.

Изилдөөнүн негизги көйгөйү эки тараптуу. Салттуу спутник орбитасынын аномалиясын аныктоо ыкмалары көбүнчө жарым чоң октун өзгөрүшүнө, туундуга, орбита модели менен байкоонун айырмасына же кол менен түзүлгөн башка белгилерге таянат жана аномалия чечими үчүн терезе узундугун же босого маанисин кол менен жөндөөнү талап кылышы мүмкүн. Экинчи жагынан, реконструкцияга негизделген стандарттуу терең үйрөнүү моделдери кыска мөөнөттүү орбита маневринин башталышында жана аякташында пайда болгон чоку-өрөөн жубунун кайсы тарабы чыныгы аномалия чекити экенин дайыма ишенимдүү ажырата бербейт. Peak-AAEнин чоку ыктымалдыгы модулу ушул экинчи көйгөйгө, ал эми жакшыртылган AMPD босого тандоого жана маалымат катарынын четтериндеги чокулардын жоголуу көйгөйүнө багытталган.

Орбита аномалиясы эмне үчүн жарым чоң огу аркылуу көзөмөлдөнөт?

Изилдөө орбита аномалияларын жалпы түрдө башкарылуучу маневрлер, кагылышуу же күйүүчү майдын агып кетиши сыяктуу адам кийлигишүүсүнөн тышкаркы өзгөчө окуялар жана экстремалдуу космостук чөйрөнүн таасири деген үч кең класска бөлөт. Бирок эксперименттик маалымат жагынан эң туруктуу тарыхый жазуулар башкарылуучу орбита маневрлеринде болгондуктан, изилдөө негизинен маневрлерди аныктоого көңүл бурган.

Космостук аппараттын орбита параметрлери кадимки эксплуатацияда салыштырмалуу кичине өзгөрсө, маневрлер маалында кыйла байкаларлык өзгөрүшү мүмкүн. Булакка ылайык, бир эле орбита тегиздигиндеги өзгөрүүлөрдө жарым чоң огу өзгөчө сезгич параметр болуп саналат. Изилдөөнүн кириш маалыматынын жарым чоң огуна басым жасашынын себеби ушул.

TLE маалыматынан жарым чоң огу кантип алынат?

TLE жасалма спутниктин эңкейиши, көтөрүлүүчү түйүндүн түз көтөрүлүшү, эксцентриситет, перигей аргументи, орточо аномалия жана орточо кыймыл сыяктуу орбита элементтерин эки саптуу стандарттуу жазууда берет. Жарым чоң огу TLE талааларынын бири катары түз берилбейт; изилдөө аны орточо кыймылдан эсептейт.

Эгер спутниктин бир суткада жасаган айланууларынын саны \(n\) болсо, сутка/айлануу бирдигиндеги орбита мезгили:

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

Секунда/айлануу бирдигине өткөрүү:

\[ T_2=T_1\times86400 \]

Кеплердин үчүнчү мыйзамы изилдөөдө төмөнкүдөй колдонулган:

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

Ошентип жарым чоң огу:

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

түрүндө эсептелет. Бул жерде \(a\) жарым чоң огун, \(T_2\) секунд менен орбита мезгилин, \(G\) тартылуу туруктуусун жана \(M\) Жердин массасын билдирет. Булак Жер үчүн \(GM=398600.4418\ \mathrm{km^3/s^2}\) маанисин колдонот. Теңдемеде орбита мезгили чоңойгон сайын, башка шарттар өзгөрбөсө, жарым чоң огу да чоңоюшу керек; байланыш сызыктуу эмес, \(a\propto T^{2/3}\) түрүндө.

Убакыт катарын даярдоо

Тарыхый жарым чоң огу катары узундугу \(m\) болгон жана кадамы 1 деп тандалган жылма терезелерге бөлүнөт. Баштапкы маалымат узундугу \(L\) болсо, моделдин кириши болжол менен \([L-m+1,m]\) өлчөмүндөгү эки өлчөмдүү түзүлүштү түзөт. Андан соң Z-score нормалдаштыруу колдонулат:

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

Бул жерде \(X\) баштапкы маани, \(\mu\) орточо жана \(\sigma\) стандарттык четтөө. Бул өзгөртүү орбита өзгөрүүсүнүн масштабын нормалдаштырып, нейрон тармагына ар түрдүү чоңдуктарды туруктуураак иштетүүгө жардам берет; бул физикалык жарым чоң огу маанисин өзгөрткөн жаңы өлчөө эмес.

Peak-AAE деген эмне жана эмне үчүн керек?

Peak-AAE — стандарттуу Adversarial Autoencoder түзүлүшүнө ар бир убакыт чекити үчүн чоку ыктымалдыгын чыгарган модул кошулган көзөмөлсүз реконструкция модели; максат орбита маневринин башталышы менен аяктоо тарабын стандарттуу реконструкция моделдеринде чаташтырууну азайтып, чыныгы аномалия жайгашкан жердин айкыныраак реконструкция калдыгын жаратышын камсыз кылуу.

Adversarial Autoencoder өзөгү

Стандарттуу Adversarial Autoencoder үч негизги компонентти колдонот: encoder \(E\), decoder \(G\) жана discriminator \(D\). Encoder кириш катарын жашыруун мейкиндикке өткөрөт, decoder жашыруун көрсөтүүдөн кириш катарын кайра курууга аракет кылат, ал эми discriminator encoder түзгөн жашыруун бөлүштүрүүнү алдын ала белгиленген prior бөлүштүрүү менен салыштырат. Изилдөөдө prior бөлүштүрүү нормалдуу бөлүштүрүү болуп саналат.

Агрегацияланган жашыруун бөлүштүрүү:

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

байланышы менен берилет. Бул жерде \(q(z|x)\) кириш \(x\) тин жашыруун мейкиндик \(z\) ге чагылдырылышын, ал эми \(p_d(x)\) кириш маалыматтарынын бөлүштүрүлүшүн билдирет.

Чоку ыктымалдыгын түзүү модулу

Peak-AAEни айырмалап турган компонент үч бөлүктөн турат: көп масштабдуу белгилерди чыгаруу, белгилерди бириктирүү жана чоку ыктымалдыгын түзүү. Биринчи баскычта kernel өлчөмдөрү 3, 5 жана 7 болгон үч бир өлчөмдүү convolution катмары колдонулат. Муну менен кыска жана салыштырмалуу кеңири жергиликтүү үлгүлөр бир убакта каралат. Кийинки эки kernel-3 convolution катмары бул белгилерди бириктирет. Акыркы баскычтагы Sigmoid чыгышы ар бир маалымат чекити үчүн 0–1 аралыгында чоку ыктымалдыгын берет.

Бир өлчөмдүү convolution операциясы булакта:

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

түрүндө аныкталган. \(k\) kernel өлчөмү, \(s\) stride, \(p\) padding, \(w\) convolution салмактары жана \(b\) bias мааниси.

Чоку ыктымалдыгы эмне үчүн көзөмөлсүз үйрөнө алат?

Модулду окутууда түздөн-түз белгиленген “чоку / чоку эмес” максаттын ордуна үч loss компоненти колдонулат.

Сейректик жоготуусу:

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

Чоку чекиттеринин бүт катарда аз болушу күтүлгөндүктөн, орточо чоку ыктымалдыгынын керексиз өсүшү жазаланат.

Жылмакайлык жоготуусу:

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

Коңшу чекиттердин ыктымалдыктары арасында өтө чоң жана иррегулярдуу секириктердин пайда болушун чектейт.

Контраст жоготуусу:

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

Min–max өзгөртүү:

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

түрүндө. Бул термин амплитудасы айкыныраак чекиттер менен жогорку чоку ыктымалдыгынын ортосунда байланыш түзүүгө жардам берет. Булак бул түзүлүш классикалык attention механизми эмес экенин өзгөчө баса белгилейт: attention белгилердин көрсөтүлүшүндөгү салмактарды өзгөртсө, бул жерде ар бир позиция үчүн чоку ыктымалдыгы чыгарылып, loss эсептөөдө позициялык айырмалоо жүргүзүлөт.

Discriminator окутуу

Discriminator окутулганда autoencoder салмактары бекитилет. Encoder түзгөн жашыруун векторлор жана нормалдуу бөлүштүрүүдөн алынган векторлор discriminatorга берилет. Binary cross-entropy негизиндеги loss:

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

түрүндө. Discriminatorдун милдети prior бөлүштүрүүдөн келген үлгүлөрдү encoderден чыккан үлгүлөрдөн айырмалоо.

Peak-AAEде autoencoder жоготуусун өзгөртүү

Encoder жана decoder окутулганда негизги реконструкция катасына чоку ыктымалдыгы төмөн деп аныкталган чекиттер үчүн кошумча “non-peak” реконструкция жоготуусу кошулат:

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

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

Жалпы реконструкция жоготуусу:

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

Adversarial loss:

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

жана акыркы autoencoder жоготуусу:

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

деп аныкталат. Бул жердеги 5 коэффициенти non-peak lossтун, ал эми 0,5 коэффициенти adversarial lossтун салыштырмалуу салмагы. Булар изилдөөнүн окутуу дизайнынын гиперпараметрлери; “босогосуз” деген сөз модельдө такыр гиперпараметр жок дегенди билдирбейт. Авторлор босогосуз деп атаган бөлүк — акыркы аномалия чечиминде кол менен белгиленген туруктуу босогонун ордуна AMPD колдонулушу.

Окутуу параметрлери

AMPD алгоритми бул изилдөөдө кантип колдонулат?

AMPD — Peak-AAE чыгарган реконструкция калдыктарынын катарындагы жергиликтүү чокуларды бир нече масштабда издеп, аномалия талапкерлерин аныктоочу жана ошону менен туруктуу аномалия босогосун кол менен тандоо зарылдыгын азайтуучу чоку аныктоо алгоритми; изилдөө катардын башындагы жана аягындагы аномалиялардын жоголушун азайтуу үчүн AMPDнин чек ара иштетүү механизмин да өзгөрткөн.

Баштапкы AMPDдеги чек ара көйгөйү

AMPD адегенде Local Maximum Scale (LMS) картасын түзөт, ар бир масштаб үчүн сумманы эсептейт жана эң кичине суммага туура келген масштабды оптималдуу масштаб \(\lambda\) катары тандайт. Жергиликтүү максимумду баалоо негизинен чекитти белгилүү аралыктагы эки коңшусу менен салыштырууга таянат. Бирок \(k\) мааниси катардын четиндеги позицияга жакындаганда индекс чектен чыгып кетиши мүмкүн.

Издөө аралыгын \([k,N-k]\) менен гана чектөө программалоо катасын алдын алат, бирок анда катардын башындагы жана аягындагы чыныгы аномалиялар көз жаздымда калышы мүмкүн. Изилдөөнүн чечими эки баскычтуу:

1. Оптималдуу масштаб изделгенде индекс аралыгы коопсуз чек аралар менен чектелет.
2. Чыныгы чоку аныктоодо катардын эки четине узундугу оптималдуу масштабга барабар болгон күзгү маанилүү padding кошулат.

Бул өзгөрүүнүн таасири BEIDOU-3 G2 үчүн көрсөтүлгөн. Баштапкы AMPD акыркы чекиттеги 355-күндүн аномалиясын өткөрүп жиберген, ал эми четтик padding колдонгон версия бул аномалияны кармай алган. Бирок авторлор биринчи же акыркы чекит өзү чектик максимум болсо, paddingден улам жалган чоку пайда болушу мүмкүн экенин да белгилешет.

Изилдөөнүн жалпы иштөө агымы

1. Space-Trackтан максаттуу спутниктин тарыхый TLE жазууларын ал.
2. TLE орточо кыймылынан жарым чоң огу убакыт катарын эсепте.
3. Жылма терезе менен катарды үлгүлөргө бөлүп, нормалдаштыр.
4. Чоку ыктымалдыгы модулун көзөмөлсүз түрдө окут.
5. Autoencoder бекитилгенде discriminatorду окут.
6. Discriminator бекитилгенде encoder-decoder түзүлүшүн атайын Peak-AAE loss функциясы менен окут.
7. Кириш катарын Peak-AAE менен кайра кур.
8. Баштапкы жана реконструкцияланган маанилердин квадраттык айырмасын residual/anomaly-score катары катары эсепте.
9. Жакшыртылган AMPD менен residual чокуларын аныкта.
10. Бул чокуларды орбита маневри/аномалия талапкерлери катары баала.

Изилдөөнүн ыкмасы жана жыйынтыктары

Эксперименттик маалыматтар

Сыналган эки максат — BEIDOU-3 G2 жана IRNSS-1A навигациялык спутниктери, экөө тең geostationary Earth orbit (GEO) классына кирет. Авторлор GEO спутниктериндеги тез-тез орбита түзөтүүлөр тарыхый маневр маалыматтарын байытып, ыкманы баалоого ылайыктуу кылат деп белгилешет.

BEIDOU-3 G2 үчүн 1-январь 2022–31-декабрь 2022 аралыгындагы TLE жазуулары колдонулган. 130, 168, 169, 200, 227 жана 229-күндөрдө TLE жетишпегендиктен, бул күндөр убакыт тилкесинен чыгарылган. Эталондук маневр жазуусундагы 198-күндүн окуясы жарым чоң октогу чыныгы өзгөрүү 196-күндө көрүнгөндүктөн авторлор тарабынан 196-күнгө жылдырылган. Бул маалымат топтомунда 14 маневр чекити бааланган.

IRNSS-1A үчүн 2018–2021 мезгили колдонулган. Бул маалымат топтомунда жетишпеген TLE жазуулары көбүрөөк жана көз карандысыз маневр тарыхынын эталону жок болгондуктан, аномалиялар изилдөөчүлөр тарабынан кол менен аныкталган. Катарлаш күндөрдүн жарым чоң огу айырмасы эсептелип, 2δ принциби менен талапкерлер сүзгүдөн өткөрүлгөн жана талапкер чекиттер жарым чоң огу графигиндеги чоку/өрөөн жүрүм-туруму боюнча ырасталган. Булак жалпы 38 маневр чекитин тизмелейт. Бул кол менен белгилөө процедурасы IRNSS-1A жыйынтыктарын чечмелөөдө эске алынуучу маанилүү методологиялык чектөө.

Авторлор тартипсиз TLE жаңылануу жыштыгы катарлаш үлгүлөрдүн айырмасын жасалма өзгөртпөшү үчүн күнүнө бир гана TLE жазуусун колдонууну тандаган. Бул тандоо убакыт үлгүсүнүн интервалдарын окшош кылууга багытталган.

Баалоо метрикалары

Аномалия классы оң класс катары кабыл алынган. Precision:

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

модель аномалия деп белгилеген чекиттердин канчасы чындап аномалия экенин өлчөйт.

Recall:

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

чыныгы аномалиялардын канчасы кармалганын көрсөтөт.

F1-score:

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

precision менен recall ортосундагы гармониялык орточо.

Салыштырма эксперименттер

Peak-AAE салттуу Moving-Window Curve Fitting (MWCF), Semi-Major Axis Change Method (SACM) жана терең үйрөнүүгө негизделген VAE, USAD жана Anomaly-Transformer менен салыштырылган. VAE, USAD, Anomaly-Transformer жана сунушталган ыкма беш көз карандысыз кайталоо менен иштетилип, орточо ± стандарттык четтөө берилген.

BEIDOU-3 G2де SACM бардык чыныгы маневрлерди кармап %100 recall алган, бирок көбүрөөк жалган оң натыйжалардан улам precision %73,68де калган. Ошондуктан “өткөрүп жибербөө” жагынан SACM күчтүү; precision–recall балансы боюнча Peak-AAEнин F1 мааниси жогору.

IRNSS-1Aда SACMнин F1 мааниси %90,00 болуп, Peak-AAEнин %87,28 маанисинен жогору. Бирок Peak-AAE precision боюнча %90,00 менен SACMнин %85,71 маанисинен жогору. Демек жыйынтыктарды “сунушталган ыкма бардык метрикада бардык салыштыруулардан ашып түштү” деп жалпылоого болбойт. Булактын негизги артыкчылыгы — кол менен белги инженериясын азайтуу менен бирге реконструкцияга негизделген VAE, USAD жана Anomaly-Transformerге салыштырмалуу аномалияны жайгаштырууда кыйла ийгиликтүү болушу.

Каталар кайда пайда болду?

BEIDOU-3 G2де Peak-AAEнин мисал эксперименттеринин биринде 265-күндөгү маневр өткөрүлүп жиберилген. Авторлор муну маневрдин чоңдугу салыштырмалуу кичине болгондугу менен түшүндүрүшөт.

IRNSS-1Aда мисал жыйынтыкта бир жалган оң жана төрт өткөрүп жиберүү катталган. Жалган оң 419-күндө; өткөрүп жиберилген окуялар 44, 418, 661 жана 780-күндөрдө. Булактын residual талдоосуна ылайык, 44 жана 780-күндөрдө моделдин residual сигналы аномалияны камтыса да AMPD чокуларды ажырата алган эмес. 418 жана 661-күндөрдөгү өткөрүп жиберүүлөр менен 419-күндөгү жалган оң түздөн-түз Peak-AAE реконструкциясына байланыштуу болгон.

Эмне үчүн стандарттуу реконструкция моделдери кыйналат?

Изилдөөнүн негизги байкоосу — орбита маневри көп учурда кыска убакытта тез чоку, андан кийин өрөөн же тескерисинче көрүнөт. VAE жана USAD жыйынтыктарында көптөгөн жалган оң жана өткөрүп жиберилген аномалиялар бири-бири менен бир убакыт кадамы жылдырылган түрдө дал келет. Авторлор муну модель аномалиянын башталышы менен аяктоосун ишенимдүү ажырата албаганы катары түшүндүрүшөт. Peak-AAEнин чоку ыктымалдыгы модулу атайын ушул айырмалоону жакшыртуу үчүн түзүлгөн.

Абляция изилдөөсү эмнени көрсөтөт?

Бул жерде жылдызча коюлган AMPD* — изилдөөдө сунушталган өзгөртүлгөн AMPD версиясы. AAEден Peak-AAEге өтүү эки маалымат топтомунда тең натыйжалуулукту чоң өлчөмдө жогорулаткан, ал эми AMPD өзгөрүүсүнүн өзүнүн таасири чектүүрөөк. Ошондуктан булак аномалияны аныктоо натыйжалуулугунда негизги фактор residual сигналды жараткан реконструкция моделинин сапаты экенин айтат.

Статистикалык белгисиздик

Терең үйрөнүү эксперименттери беш көз карандысыз кайталоо менен жүргүзүлгөн жана тиркемелерде \(n=5\), эркиндик даражасы 4 болгон t-бөлүштүрүүдөн %95 ишеним интервалдары эсептелген. Мисалы, сунушталган ыкма үчүн BEIDOU-3 G2 F1 ишеним аралыгы %90,58–%98,09; IRNSS-1A үчүн %83,11–%91,44 деп берилген. Бул интервалдар беш гана кайталоо менен эсептелгендиктен, өзгөчө өзгөрмөлүүлүгү жогору моделдерде кыйла кең болушу мүмкүн.

Peak-AAE-Lite edge жайгаштыруу эмнени берет?

Peak-AAE-Lite — Peak-AAEнин негизги аномалия аныктоо механизмин сактап, тармак катмарларындагы параметрлер санын азайткан версия; Raspberry Pi 4B жер сыноолорунда жалпы параметрлер санын 28.564төн 9.308ге чейин түшүрүп, орточо inference latencyни 0,13 ms ден 0,08 ms ге азайткан жана throughputту секундасына 10.793,93 inferenceден 13.688,56 inferenceге жогорулаткан.

Edge система архитектурасы

Жер симуляциясында система үч бөлүккө бөлүнгөн:

• Маалымат терминалы: кысылган Peak-AAE моделин окутат, TensorFlow Lite форматына айлантат, Raspberry Piге жайгаштырат жана CSV орбиталык маалыматтарын MQTT аркылуу жарыялайт.
• Edge node: MQTT аркылуу келген орбиталык катарды иштетет, Peak-AAE-Lite inference жүргүзөт, баштапкы жана реконструкцияланган маалыматтын квадраттык айырмасынан anomaly score эсептейт, AMPD колдонот жана натыйжаны MQTT/HTTP аркылуу жөнөтөт.
• Мобилдик терминал: үчүнчү тараптын серверинен келген аномалиянын убакыт белгиси, спутник идентификатору жана упай сыяктуу маалыматтарды колдонуучуга көрсөтүп, log жазуусун түзөт.

Булак мындан тышкары мониторинг интерфейси Node-RED менен түзүлгөнүн; тарыхый anomaly score, учурдагы anomaly score жана нормалдуу/аномалдуу абал маалыматы интерфейсте көрсөтүлгөнүн белгилейт.

Моделди кысуунун жыйынтыктары

Параметрлер саны болжол менен %67,4 азайганда peak memory колдонулушунун болгону 415,05 MBден 412,97 MBге түшүшү көңүл бурат. Булак муну TensorFlow Lite runtime, delegate түзүлүштөрү жана input/output tensor allocation чыгымдары жалпы эстутумда чоң үлүшкө ээ болушу менен түшүндүрөт. Ошондуктан parameter compression менен процесс эстутуму ошол эле катышта азаят деп күтүлбөйт.

Бул benchmarkта inference тест 200 кайталоо, throughput тест 10 секунд жана эстутум тест 50 inference боюнча жүргүзүлгөн. Моделдин кириш терезе өлчөмү 24 деп тандалган; авторлор муну broadcast ephemeris маалыматынын болжол менен саат сайын жаңыртылышына жана бир суткадагы 24 маалымат чекитине ылайыкташтыруу максаты менен түшүндүрүшөт.

Кысуудан кийинки аныктоо натыйжалуулугу

BEIDOU-3 G2де recall %94,29 бойдон сакталган, precision 6,25 пайыздык пунктка жана F1 3,21 пайыздык пунктка төмөндөгөн. IRNSS-1Aда precision 4,68, recall 5,27 жана F1 4,99 пайыздык пунктка азайган. Демек моделди кичирейтүү кечигүү жана throughput жагынан артыкчылык берсе да, аныктоо тактыгы толугу менен сакталбайт.

Бул изилдөө чыныгы учууда текшерилген спутник системасыбы?

Жок. Изилдөөдө алгоритм чыныгы тарыхый TLE маалыматтары менен бааланса да, Peak-AAE-Lite edge deployment текшерүүсү Raspberry Pi 4Bде жүргүзүлгөн жер симуляциясы; модель чыныгы спутник учуу компьютеринде, радиация чөйрөсүндө же операциялык on-orbit чечим циклинде сыналган эмес.

Изилдөө колдогон жыйынтыктар

• Чоку ыктымалдыгы модулу колдонулган AAE изилденген эки GEO маалымат топтомунда баштапкы AAEге салыштырмалуу жогорку аныктоо метрикаларын берген.
• Жакшыртылган AMPD маалымат катарынын четиндеги айрым аномалияларды өткөрүп жиберүүнү азайткан.
• Peak-AAE, өзгөчө VAE, USAD жана Anomaly-Transformer реконструкция жыйынтыктарына салыштырмалуу изилденген тапшырмада кыйла жогорку натыйжалуулукту көрсөткөн.
• Моделди кичирейтүү Raspberry Pi сыноосунда inference latency жана throughputту жакшырткан.
• Кысылган модель натыйжалуулук жоготконуна карабастан изилденген эки маалымат топтомунда колдонууга жарамдуу F1 маанилерин сактаган.

Изилдөө өзүнчө колдобогон жыйынтыктар

• Ыкманын LEO, MEO же HEO орбиталарында ошол эле натыйжалуулукту берери эксперимент аркылуу көрсөтүлгөн эмес.
• Чыныгы спутник компьютеринде on-orbit реалдуу убакыттагы операциялык ийгилик далилденген эмес.
• IRNSS-1A ground-truth белгилери көз карандысыз расмий маневр тарыхынан эмес, изилдөөдөгү кол процедурасынан алынган.
• Ыкма мүмкүн болгон бардык орбита аномалия түрлөрүн өзүнчө класстарга бөлүп диагноз койбойт; эксперименттер негизинен маневр окуяларына багытталган.
• Аномалия аныктоо упайы окуянын физикалык себебин өз алдынча аныктоочу диагностикалык механизм эмес.

Булак ичиндеги сандык жана терминологиялык карама-каршылыктар

Булактын кириш бөлүмү Peak-AAE болжол менен 48 миң параметрден 9,3 миң параметрге чейин азайтылганын жана моделдин көлөмү 201 KBден 52 KBге түшкөнүн билдирет. Бирок кеңири edge-deployment Таблица 9 Peak-AAE үчүн 28.564, Peak-AAE-Lite үчүн 9.308 жалпы параметр көрсөтөт. Ошол эле кириш абзацындагы “максималдуу тактык жоготуусу %2,85” деген билдирүү да Таблица 11–12де көрүнгөн айрым 3–6 пайыздык пункт метрика өзгөрүүлөрү менен түз дал келбейт. Ошондуктан бул Verianla текстинде деталдуу салыштыруулар үчүн таблицадагы жыйынтыктар негиз кылынган, ал эми кириштеги айырмалуу маанилер булак ичиндеги карама-каршылык катары сакталган.

Мындан тышкары, жыйынтык бөлүмүндө ыкманын өзөгүнө “SGP4 residual reconstruction” деген сөз айкашы менен шилтеме берилет. Бирок сунушталган негизги ыкма бөлүмүндө жарым чоң огу TLE орточо кыймылынан Кеплер байланышы менен эсептелет, residual болсо Peak-AAEнин баштапкы катар менен реконструкцияланган катардын айырмасынан түзүлөт. SGP4/SDP4 кириште учурдагы адабият колдонгон ыкмалардын бири катары сүрөттөлгөн. Ошондуктан SGP4 бул жерде сунушталган ыкманын тастыкталган иштетүү кадамы катары кеңейтилген эмес.

Булак жана ыкма жөнүндө эскертүү

Түп нуска изилдөө: A Lightweight Satellite Orbit Anomaly Detection Method Based on Peak-AAE and Its Edge Deployment

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

Жооптуу автор: Xiaolong Yue.

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

Журнал: Aerospace.

Басмакана: MDPI.

Том / сан / макала: 13 / 9 / 802.

Жарыяланган дата: 2-сентябрь 2026.

DOI: 10.3390/aerospace13090802.

Булак түрү: Рецензияланган изилдөө макаласы.

Лицензия: Creative Commons Attribution (CC BY). Булак PDF лицензия CC BY экенин ачык көрсөтөт. Verianla баяны булак сүйлөмдөрүн кайра жазуу түрүндө эмес, илимий ыкма, сандар, теңдемелер жана жыйынтыктарды өз алдынча окутуучу түзүлүштө түшүндүрүү катары даярдалган.

Маалымат жеткиликтүүлүгү: Авторлор колдонулган спутник маалыматтары Space-Track булагынан алынганын билдиришет.

Каржылоо: Изилдөө Shandong Province Key Research and Development Program алкагындагы 2026CXPT113 номерлүү долбоор тарабынан колдоого алынган.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Автордук салымдар: Булактагы билдирүүгө ылайык эксперименттик иш Y.G. тарабынан жүргүзүлгөн, макала X.Y. тарабынан жазылган, B.W. жана B.L. редакциялоо үчүн пикир берген жана бардык авторлор акыркы текстти карап чыгышкан.

Негизги методологиялык чектөөлөр: Текшерүү эки GEO спутниги менен чектелет. IRNSS-1A аномалиялары көз карандысыз тарыхый маневр жазуусунун ордуна кол ыкмасы менен белгиленген. Жетишпеген TLE жазуулары бар. Edge түзмөк текшерүүсү Raspberry Pi үстүндөгү жер симуляциясы; on-orbit deployment эмес. LEO, MEO жана HEOго өткөрүлүмдүүлүк авторлор тарабынан теориялык мүмкүнчүлүк катары талкууланган, бирок бул орбита класстарында эксперименттик текшерүү жүргүзүлгөн эмес.