Peak Adversarial Autoencoder (Peak-AAE), uydu yörünge zaman serilerindeki normal yapıyı yeniden oluşturmayı ve normal davranıştan sapmaları rekonstrüksiyon kalıntıları üzerinden ortaya çıkarmayı amaçlayan, tepe olasılığı üreten özel bir modülle genişletilmiş gözetimsiz bir adversarial autoencoder mimarisidir. Çalışmada Space-Track kaynaklı Two-Line Element (TLE) kayıtlarından hesaplanan yarı büyük eksen değerleri Peak-AAE ile yeniden oluşturulmuş, özgün ve yeniden oluşturulan seri arasındaki karesel fark anomali skoru olarak kullanılmış ve anomaliler Automatic Multi-Scale Peak Detection (AMPD) algoritmasıyla belirlenmiştir. BEIDOU-3 G2 üzerinde yöntem ortalama %94,57 precision, %94,29 recall ve %94,33 F1; IRNSS-1A üzerinde %90,00 precision, %84,74 recall ve %87,28 F1 vermiştir. Modelin sıkıştırılmış Peak-AAE-Lite sürümü Raspberry Pi 4 Model B üzerinde yer tabanlı edge-deployment denemesine alınmış ve ortalama çıkarım gecikmesi 0,13 ms'den 0,08 ms'ye düşürülmüştür. Bununla birlikte sonuçlar yalnız incelenen iki GEO uydusu ve yer simülasyonu koşulları için doğrulanmıştır; gerçek uçuş bilgisayarında on-orbit doğrulama yapılmamıştır.

Çalışmanın temel problemi iki yönlüdür. Geleneksel uydu yörünge anomali tespit teknikleri çoğu zaman yarı büyük eksen değişimi, türev, yörünge modeli ile gözlem arasındaki fark veya başka elle tasarlanmış özelliklere dayanır ve anomali kararı için pencere uzunluğu ya da eşik değerinin elle ayarlanmasını gerektirebilir. Diğer taraftan standart rekonstrüksiyon tabanlı derin öğrenme modelleri, kısa süreli bir yörünge manevrasının başlangıç ve bitiş taraflarında oluşan tepe-vadi çiftinin hangi tarafının asıl anomali noktası olduğunu her zaman güvenilir biçimde ayıramayabilir. Peak-AAE'nin tepe olasılığı modülü bu ikinci probleme; geliştirilmiş AMPD ise eşik seçimi ve veri dizisinin kenarlarındaki tepe kaybı problemine odaklanmaktadır.

Yörünge anomalisi neden yarı büyük eksen üzerinden izleniyor?

Çalışma yörünge anomalilerini genel olarak kontrollü manevralar, çarpışma veya yakıt kaçağı gibi insan müdahalesi dışındaki özel olaylar ve aşırı uzay ortamının etkileri şeklinde üç geniş sınıfa ayırmaktadır. Ancak deneysel veri açısından en düzenli tarihsel kayıtlar kontrollü yörünge manevralarında bulunduğu için çalışma esas olarak manevra tespitine odaklanmıştır.

Bir uzay aracının yörünge parametreleri normal işletim altında görece küçük değişimler gösterirken, manevralar sırasında daha belirgin değişebilir. Kaynağa göre aynı yörünge düzlemi içindeki değişikliklerde yarı büyük eksen özellikle duyarlı bir parametredir. Çalışmanın girdisinin yarı büyük eksene odaklanmasının nedeni budur.

TLE verisinden yarı büyük eksen nasıl elde ediliyor?

TLE, bir yapay uydunun eğim, çıkan düğümün sağ açıklığı, dışmerkezlik, perige argümanı, ortalama anomali ve ortalama hareket gibi yörünge elemanlarını iki satırlı standart bir kayıt içinde verir. Yarı büyük eksen doğrudan TLE alanlarından biri değildir; çalışma bunu ortalama hareketten hesaplamaktadır.

Bir uydunun bir günde gerçekleştirdiği tur sayısı \(n\) ise gün/tur cinsinden yörünge periyodu:

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

Saniye/tur birimine dönüşüm:

\[ T_2=T_1\times86400 \]

Kepler'in üçüncü yasası çalışma içinde şu biçimde kullanılmıştır:

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

Böylece yarı büyük eksen:

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

olarak hesaplanır. Burada \(a\) yarı büyük ekseni, \(T_2\) saniye cinsinden yörünge periyodunu, \(G\) kütleçekim sabitini ve \(M\) Dünya kütlesini temsil eder. Kaynak, Dünya için \(GM=398600.4418\ \mathrm{km^3/s^2}\) değerini kullanmaktadır. Denklemde yörünge periyodu büyüdükçe, diğer koşullar değişmediğinde yarı büyük eksenin de büyümesi gerekir; ilişki doğrusal değil, \(a\propto T^{2/3}\) biçimindedir.

Zaman serisinin hazırlanması

Tarihsel yarı büyük eksen dizisi uzunluğu \(m\) olan ve adımı 1 seçilen kayan pencerelerle bölünür. Orijinal veri uzunluğu \(L\) ise model girdisi yaklaşık \([L-m+1,m]\) boyutunda iki boyutlu bir yapı oluşturur. Ardından Z-skoru normalizasyonu uygulanır:

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

Burada \(X\) özgün değer, \(\mu\) ortalama ve \(\sigma\) standart sapmadır. Bu dönüşüm yörünge değişiminin ölçeğini normalize ederek sinir ağının farklı büyüklükleri daha düzenli işlemesine yardımcı olur; fiziksel yarı büyük eksen değerinin kendisini değiştiren yeni bir ölçüm değildir.

Peak-AAE Nedir ve Neden Gerekli?

Peak-AAE, standart Adversarial Autoencoder yapısına her zaman noktası için bir tepe olasılığı üreten modül ekleyen gözetimsiz rekonstrüksiyon modelidir; amaç, yörünge manevrasının başlangıç ve bitiş taraflarının standart rekonstrüksiyon modellerinde birbirine karıştırılmasını azaltarak gerçek anomali konumunun daha belirgin bir rekonstrüksiyon kalıntısı üretmesini sağlamaktır.

Adversarial Autoencoder çekirdeği

Standart Adversarial Autoencoder üç temel bileşen kullanır: encoder \(E\), decoder \(G\) ve discriminator \(D\). Encoder giriş dizisini gizli uzaya taşır, decoder gizli temsilden giriş dizisini yeniden oluşturmaya çalışır ve discriminator encoder'ın oluşturduğu gizli dağılımı önceden belirlenen prior dağılımla karşılaştırır. Çalışmada prior dağılım normal dağılımdır.

Toplulaştırılmış gizli dağılım:

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

ilişkisiyle ifade edilmektedir. Burada \(q(z|x)\), giriş \(x\)'in gizli uzay \(z\)'ye eşlenmesini; \(p_d(x)\) ise giriş verisinin dağılımını temsil eder.

Tepe olasılığı üretim modülü

Peak-AAE'nin ayırt edici bileşeni üç alt yapıdan oluşur: çok ölçekli özellik çıkarımı, özellik birleştirme ve tepe olasılığı üretimi. İlk aşamada kernel boyutları 3, 5 ve 7 olan üç adet tek boyutlu convolution katmanı kullanılır. Böylece kısa ve nispeten daha geniş yerel desenler aynı anda incelenebilir. Sonraki iki kernel-3 convolution katmanı bu özellikleri birleştirir. Son aşamadaki Sigmoid çıktısı her veri noktası için 0–1 aralığında bir tepe olasılığı üretir.

Tek boyutlu convolution işlemi kaynakta:

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

olarak tanımlanmıştır. \(k\) kernel boyutu, \(s\) stride, \(p\) padding, \(w\) convolution ağırlıkları ve \(b\) bias değeridir.

Tepe olasılığı neden gözetimsiz öğrenilebiliyor?

Modülün eğitiminde doğrudan etiketli “tepe / tepe değil” hedefi yerine üç kayıp bileşeni kullanılır.

Seyreklik kaybı:

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

Tepe noktalarının tüm seri içinde az sayıda olması beklendiğinden ortalama tepe olasılığının gereksiz biçimde yükselmesi cezalandırılır.

Düzgünlük kaybı:

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

Komşu noktaların olasılıkları arasında aşırı ve düzensiz sıçramalar oluşmasını sınırlar.

Kontrast kaybı:

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

Min–max dönüşümü:

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

şeklindedir. Bu terim, daha belirgin genliğe sahip noktalarla daha yüksek tepe olasılığı arasında ilişki kurulmasını sağlar. Kaynak özellikle bu yapının klasik attention mekanizması olmadığını vurgulamaktadır: attention bir özellik temsilinin ağırlıklarını değiştirirken, burada her konum için bir tepe olasılığı üretilerek loss hesabında konumsal ayrım yapılmaktadır.

Discriminator eğitimi

Discriminator eğitilirken autoencoder ağırlıkları sabitlenir. Encoder tarafından üretilen gizli vektörler ile normal dağılımdan örneklenen vektörler discriminator'a verilir. Binary cross-entropy temelli kayıp:

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

şeklindedir. Discriminator'ın görevi prior dağılımdan gelen örnekleri encoder kaynaklı örneklerden ayırmaktır.

Autoencoder kaybının Peak-AAE'de değiştirilmesi

Encoder ve decoder eğitilirken temel rekonstrüksiyon hatasına, tepe olasılığı düşük olarak belirlenen noktalar için ek bir “non-peak” rekonstrüksiyon kaybı eklenir:

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

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

Toplam rekonstrüksiyon kaybı:

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

Adversarial loss:

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

ve son autoencoder kaybı:

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

olarak tanımlanır. Buradaki 5 katsayısı non-peak loss'un, 0,5 katsayısı ise adversarial loss'un göreli ağırlığıdır. Bunlar çalışmanın eğitim tasarımına ait hiperparametrelerdir; “eşiksiz” ifadesi modelin hiç hiperparametresi olmadığı anlamına gelmez. Yazarların eşiksiz olarak nitelediği kısım, son anomali kararında manuel bir sabit eşik yerine AMPD kullanılmasıdır.

Eğitim ayarları

AMPD Algoritması Bu Çalışmada Nasıl Kullanılıyor?

AMPD, Peak-AAE tarafından üretilen rekonstrüksiyon kalıntısı dizisindeki yerel tepeleri birden fazla ölçekte arayarak anomali adaylarını belirleyen ve bu nedenle sabit bir anomali eşiğinin elle seçilmesi ihtiyacını azaltan tepe tespit algoritmasıdır; çalışma ayrıca dizinin başlangıç ve sonundaki anomalilerin kaybolmasını azaltmak için AMPD'nin sınır işleme mekanizmasını değiştirmiştir.

Özgün AMPD'deki sınır problemi

AMPD önce Local Maximum Scale (LMS) haritasını kurar, her ölçek için toplamı hesaplar ve en küçük toplamın karşılık geldiği ölçeği optimum ölçek \(\lambda\) olarak seçer. Yerel maksimum değerlendirmesi özünde bir noktanın belirli uzaklıktaki iki komşusuyla karşılaştırılmasına dayanır. Ancak \(k\) değeri bir dizinin kenarındaki konuma yaklaştığında indis taşması oluşabilir.

Sadece arama aralığını \([k,N-k]\) ile sınırlamak programlama hatasını önler fakat bu kez dizinin başı ve sonundaki gerçek anomaliler gözden kaçabilir. Çalışmanın çözümü iki aşamalıdır:

1. Optimum ölçek aranırken indis aralığı güvenli sınırlarla kısıtlanır.
2. Gerçek tepe tespitinde dizinin iki kenarına, uzunluğu optimum ölçek kadar olan ayna değerli padding eklenir.

Bu değişikliğin etkisi BEIDOU-3 G2 üzerinde gösterilmiştir. Özgün AMPD uç noktadaki 355. gün anomalisini kaçırırken, kenar padding'i kullanan sürüm bu anomaliyi yakalayabilmiştir. Ancak yazarlar ilk veya son nokta kendisi bir kenar maksimumuysa padding nedeniyle yanlış tepe oluşabileceğini de belirtmektedir.

Çalışmanın genel işlem hattı

1. Space-Track'ten hedef uydunun tarihsel TLE kayıtlarını elde et.
2. TLE ortalama hareketinden yarı büyük eksen zaman serisini hesapla.
3. Kayan pencereyle seriyi örneklere böl ve normalize et.
4. Tepe olasılığı modülünü gözetimsiz biçimde eğit.
5. Autoencoder sabitken discriminator'ı eğit.
6. Discriminator sabitken encoder-decoder yapısını özel Peak-AAE loss fonksiyonuyla eğit.
7. Giriş dizisini Peak-AAE ile yeniden oluştur.
8. Özgün ve rekonstre edilmiş değerlerin karesel farkını residual/anomaly-score dizisi olarak hesapla.
9. Geliştirilmiş AMPD ile residual tepelerini tespit et.
10. Bu tepeleri yörünge manevrası/anomali adayları olarak değerlendir.

Çalışmanın Yöntemi ve Bulguları

Deney verileri

Test edilen iki hedef BEIDOU-3 G2 ve IRNSS-1A navigasyon uydularıdır ve ikisi de geostationary Earth orbit (GEO) sınıfındadır. Yazarlar GEO uydularındaki sık yörünge düzeltmelerinin tarihsel manevra verisini zenginleştirdiğini ve bu nedenle yöntemin değerlendirilmesine uygun olduklarını belirtmektedir.

BEIDOU-3 G2 için 1 Ocak 2022–31 Aralık 2022 dönemindeki TLE kayıtları kullanılmıştır. 130, 168, 169, 200, 227 ve 229. günlerde TLE eksik olduğu için bu günler zaman çizelgesinden çıkarılmıştır. Referans manevra kaydındaki 198. gün olayı, yarı büyük eksendeki gerçek değişimin 196. günde görülmesi nedeniyle yazarlar tarafından 196. güne taşınmıştır. Bu veri setinde 14 manevra noktası değerlendirilmiştir.

IRNSS-1A için 2018–2021 dönemi kullanılmıştır. Bu veri setinde daha fazla eksik TLE kaydı vardır ve bağımsız bir manevra geçmişi referansı bulunmadığından anomaliler araştırmacılar tarafından manuel belirlenmiştir. Ardışık günlerin yarı büyük eksen farkı hesaplanmış, 2δ prensibiyle adaylar taranmış ve aday noktalar yarı büyük eksen grafiğindeki tepe/vadi davranışına göre doğrulanmıştır. Kaynak toplam 38 manevra noktası listeler. Bu manuel etiketleme prosedürü, IRNSS-1A sonuçlarının yorumlanmasında dikkate alınması gereken önemli bir metodolojik sınırdır.

Yazarlar düzensiz TLE güncelleme sıklığının ardışık örnek farklarını yapay biçimde değiştirmemesi için her gün tek TLE kaydı kullanmayı tercih etmiştir. Bu tercih zamansal örnek aralıklarını daha benzer hale getirmeyi amaçlar.

Değerlendirme metrikleri

Anomali sınıfı pozitif kabul edilmiştir. Precision:

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

modelin anomali dediği noktaların ne kadarının gerçekten anomali olduğunu ölçer.

Recall:

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

gerçek anomalilerin ne kadarının yakalandığını gösterir.

F1-score:

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

precision ve recall arasındaki harmonik ortalamadır.

Karşılaştırmalı deneyler

Peak-AAE; geleneksel Moving-Window Curve Fitting (MWCF), Semi-Major Axis Change Method (SACM) ve derin öğrenme tabanlı VAE, USAD ve Anomaly-Transformer ile karşılaştırılmıştır. VAE, USAD, Anomaly-Transformer ve önerilen yöntem beş bağımsız tekrarla çalıştırılmış ve ortalama ± standart sapma raporlanmıştır.

BEIDOU-3 G2'de SACM tüm gerçek manevraları yakalayarak %100 recall elde etmiş, ancak daha fazla yanlış pozitif nedeniyle precision değeri %73,68'de kalmıştır. Bu nedenle yalnız “kaçırmama” açısından SACM güçlüdür; precision–recall dengesi açısından Peak-AAE'nin F1 değeri daha yüksektir.

IRNSS-1A'da SACM'nin F1 değeri %90,00 ile Peak-AAE'nin %87,28 değerinden yüksektir. Buna karşılık Peak-AAE precision açısından %90,00 ile SACM'nin %85,71 değerinin üzerindedir. Dolayısıyla sonuçlar “önerilen yöntem her metrükte her karşılaştırmayı geçmiştir” biçiminde genellenmemelidir. Kaynağın temel avantajı, özellikle manuel özellik mühendisliğini azaltırken rekonstrüksiyon tabanlı VAE, USAD ve Anomaly-Transformer'a göre belirgin biçimde daha başarılı bir anomali konumlandırması göstermesidir.

Hatalar nerede oluştu?

BEIDOU-3 G2'de Peak-AAE'nin örnek deneylerinden birinde 265. gün manevrası kaçırılmıştır. Yazarlar bunun manevra büyüklüğünün görece küçük olmasına bağlandığını belirtmektedir.

IRNSS-1A'da örnek sonuçta bir yanlış pozitif ve dört kaçırma raporlanmıştır. Yanlış pozitif 419. günde; kaçırılan olaylar 44, 418, 661 ve 780. günlerdedir. Kaynağın residual incelemesine göre 44 ve 780. günlerde modelin residual sinyali anomaliyi içerirken AMPD tepeleri ayıramamıştır. 418 ve 661. günlerdeki kaçırmalar ile 419. gündeki yanlış pozitif ise doğrudan Peak-AAE rekonstrüksiyonuyla ilişkilendirilmiştir.

Neden standart rekonstrüksiyon modelleri zorlanıyor?

Çalışmanın temel gözlemi, bir yörünge manevrasının çoğu zaman kısa sürede hızlı bir tepe ve ardından vadi ya da bunun tersi biçimde görünmesidir. VAE ve USAD sonuçlarında birçok yanlış pozitif ile kaçırılmış anomali birbirinden bir zaman adımı kaydırılmış biçimde eşleşmektedir. Yazarlar bunu modelin anomali başlangıcı ile anomali sonunu güvenilir biçimde ayıramaması olarak yorumlamaktadır. Peak-AAE'nin tepe olasılığı modülü özellikle bu ayrımı iyileştirmek üzere tasarlanmıştır.

Ablasyon çalışması ne gösteriyor?

Burada yıldız işaretli AMPD*, çalışmada önerilen değiştirilmiş AMPD sürümüdür. AAE'den Peak-AAE'ye geçiş her iki veri setinde de performansı büyük ölçüde yükseltirken, yalnız AMPD değişikliğinin etkisi daha sınırlıdır. Bu nedenle kaynak, anomali tespit performansında esas belirleyicinin residual sinyali üreten rekonstrüksiyon modelinin niteliği olduğunu savunmaktadır.

İstatistiksel belirsizlik

Derin öğrenme deneyleri beş bağımsız tekrarla yürütülmüş ve eklerde \(n=5\), serbestlik derecesi 4 olan t-dağılımından %95 güven aralıkları hesaplanmıştır. Örneğin önerilen yöntem için BEIDOU-3 G2 F1 güven aralığı %90,58–%98,09; IRNSS-1A için %83,11–%91,44 olarak raporlanmıştır. Bu aralıklar yalnız beş tekrar üzerinden hesaplandığından özellikle değişkenliği yüksek modellerde oldukça geniş olabilir.

Peak-AAE-Lite Edge Dağıtımı Ne Kazandırıyor?

Peak-AAE-Lite, Peak-AAE'nin temel anomali tespit mekanizmasını koruyup ağ katmanlarındaki parametre sayısını azaltan sürümdür; Raspberry Pi 4B yer testlerinde toplam parametre sayısını 28.564'ten 9.308'e indirirken ortalama inference latency değerini 0,13 ms'den 0,08 ms'ye düşürmüş ve throughput'u saniyede 10.793,93 çıkarımdan 13.688,56 çıkarıma yükseltmiştir.

Edge sistem mimarisi

Yer simülasyonunda sistem üç parçaya ayrılmıştır:

• Veri terminali: sıkıştırılmış Peak-AAE modelini eğitir, TensorFlow Lite biçimine dönüştürür, Raspberry Pi'ye dağıtır ve CSV orbital verilerini MQTT üzerinden yayınlar.
• Edge node: MQTT üzerinden gelen orbital diziyi işler, Peak-AAE-Lite inference çalıştırır, özgün ve rekonstre edilmiş veri arasındaki karesel farktan anomaly score hesaplar, AMPD uygular ve sonucu MQTT/HTTP üzerinden iletir.
• Mobil terminal: üçüncü taraf sunucu üzerinden gelen anomali zaman damgası, uydu kimliği ve skor gibi bilgileri kullanıcıya sunar ve log kaydı oluşturur.

Kaynak ayrıca izleme arayüzünün Node-RED ile oluşturulduğunu; geçmiş anomaly score, güncel anomaly score ve normal/anormal durum bilgisinin arayüzde gösterildiğini belirtmektedir.

Model sıkıştırma sonuçları

Parametre sayısı yaklaşık %67,4 azalırken peak memory kullanımının yalnız 415,05 MB'den 412,97 MB'ye düşmesi dikkat çekicidir. Kaynak bunu TensorFlow Lite runtime, delegate yapıları ve input/output tensor allocation maliyetlerinin toplam bellekte büyük pay sahibi olmasıyla açıklamaktadır. Bu nedenle parameter compression ile proses belleğinin aynı oranda azalması beklenmemektedir.

Bu benchmark'ta inference testi 200 tekrar, throughput testi 10 saniye ve bellek testi 50 inference üzerinden gerçekleştirilmiştir. Modelin giriş pencere boyutu 24 seçilmiştir; yazarlar bunu broadcast ephemeris verisinin yaklaşık saatlik güncellemesine ve bir günlük 24 veri noktasına uyum sağlamak amacıyla açıklamaktadır.

Sıkıştırma sonrası tespit performansı

BEIDOU-3 G2'de recall %94,29 olarak korunurken precision 6,25 yüzde puanı ve F1 3,21 yüzde puanı düşmüştür. IRNSS-1A'da precision 4,68, recall 5,27 ve F1 4,99 yüzde puanı azalmıştır. Dolayısıyla model küçültme gecikme ve throughput açısından avantaj sağlarken tespit doğruluğu tamamen korunmamaktadır.

Bu Çalışma Gerçek Uçuşta Doğrulanmış Bir Uydu Sistemi midir?

Hayır. Çalışmada algoritma gerçek tarihsel TLE verileriyle değerlendirilmiş olsa da Peak-AAE-Lite'ın edge deployment doğrulaması Raspberry Pi 4B üzerinde gerçekleştirilen bir yer simülasyonudur; model gerçek bir uydu uçuş bilgisayarında, radyasyon ortamında veya operasyonel on-orbit karar döngüsünde test edilmemiştir.

Çalışmanın desteklediği sonuçlar

• Peak olasılığı modülü kullanılan AAE, incelenen iki GEO veri setinde özgün AAE'ye göre daha yüksek tespit metrikleri üretmiştir.
• Geliştirilmiş AMPD, veri dizisinin kenarındaki bazı anomalilerin kaçırılmasını azaltmıştır.
• Peak-AAE, özellikle VAE, USAD ve Anomaly-Transformer rekonstrüksiyon sonuçlarına göre incelenen görevde çok daha yüksek performans göstermiştir.
• Model küçültme Raspberry Pi testinde inference latency ve throughput'u iyileştirmiştir.
• Sıkıştırılmış model performans kaybına rağmen incelenen iki veri setinde kullanılabilir düzeyde F1 değerleri korumuştur.

Çalışmanın tek başına desteklemediği sonuçlar

• Yöntemin LEO, MEO veya HEO yörüngelerinde aynı performansı vereceği deneysel olarak gösterilmemiştir.
• Gerçek uydu bilgisayarında on-orbit gerçek zamanlı operasyon başarısı kanıtlanmamıştır.
• IRNSS-1A ground-truth etiketleri bağımsız resmî manevra geçmişinden değil, çalışmadaki manuel prosedürden türetilmiştir.
• Yöntem tüm olası yörünge anomalisi türlerini ayrı sınıflar halinde teşhis etmemektedir; deneylerin odağı esas olarak manevra olaylarıdır.
• Anomali tespit skoru, olayın fiziksel nedenini kendiliğinden belirleyen bir tanı mekanizması değildir.

Kaynak içindeki nicel ve terminolojik tutarsızlıklar

Kaynağın giriş bölümü Peak-AAE'nin yaklaşık 48 bin parametreden 9,3 bin parametreye düşürüldüğünü ve model boyutunun 201 KB'den 52 KB'ye indiğini belirtmektedir. Buna karşılık ayrıntılı edge-deployment Tablo 9'u Peak-AAE için 28.564, Peak-AAE-Lite için 9.308 toplam parametre bildirmektedir. Aynı giriş paragrafındaki “maksimum doğruluk kaybı %2,85” ifadesi de Tablo 11–12'de görülen bazı 3–6 yüzde puanlık metrik değişimleriyle doğrudan uyuşmamaktadır. Bu nedenle bu Verianla metninde ayrıntılı karşılaştırmalar için tablolaştırılmış sonuçlar esas alınmış, girişteki farklı değerler kaynak-içi tutarsızlık olarak korunmuştur.

Ayrıca sonuç bölümünde yöntemin çekirdeğine “SGP4 residual reconstruction” ifadesiyle gönderme yapılmaktadır. Ancak önerilen ana yöntem bölümünde yarı büyük eksen TLE ortalama hareketinden Kepler bağıntısıyla hesaplanmakta, residual ise Peak-AAE'nin özgün seri ile rekonstre seri arasındaki farkından oluşturulmaktadır. SGP4/SDP4 girişte mevcut literatürün kullandığı yöntemlerden biri olarak anlatılmıştır. Bu nedenle SGP4 ifadesi burada önerilen yöntemin doğrulanmış işlem adımı olarak genişletilmemiştir.

Kaynak ve Yöntem Notu

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

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

Sorumlu yazar: Xiaolong Yue.

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

Dergi: Aerospace.

Yayınevi: MDPI.

Cilt / sayı / makale: 13 / 9 / 802.

Yayın tarihi: 2 Eylül 2026.

DOI: 10.3390/aerospace13090802.

Kaynak türü: Hakemli araştırma makalesi.

Lisans: Creative Commons Attribution (CC BY). Kaynak PDF lisansın CC BY olduğunu açıkça belirtmektedir. Verianla anlatımı kaynak cümlelerin yeniden yazımı şeklinde değil, bilimsel yöntem, sayı, denklem ve sonuçların bağımsız öğretici yapılanması şeklinde hazırlanmıştır.

Veri erişilebilirliği: Yazarlar kullanılan uydu verilerinin Space-Track kaynaklı olduğunu bildirmektedir.

Finansman: Çalışma Shandong Province Key Research and Development Program kapsamında 2026CXPT113 numaralı proje tarafından desteklenmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmektedir.

Yazar katkıları: Kaynağın beyanına göre deneysel çalışma Y.G. tarafından gerçekleştirilmiş, makale X.Y. tarafından yazılmış, B.W. ve B.L. revizyon için görüş sağlamış ve tüm yazarlar nihai metni incelemiştir.

Temel yöntemsel sınırlar: Doğrulama iki GEO uydusuyla sınırlıdır. IRNSS-1A'nın anomalileri bağımsız tarihsel manevra kaydı yerine manuel yöntemle etiketlenmiştir. Eksik TLE kayıtları bulunmaktadır. Edge cihaz doğrulaması Raspberry Pi üzerindeki yer simülasyonudur; on-orbit deployment değildir. LEO, MEO ve HEO'ya aktarılabilirlik yazarlar tarafından teorik bir olasılık olarak tartışılmış, bu yörünge sınıflarında deneysel olarak doğrulanmamıştır.