Peak Adversarial Autoencoder (Peak-AAE) ni usanifu wa adversarial autoencoder usiosimamiwa uliopanuliwa kwa moduli maalum inayozalisha uwezekano wa kilele, ukiwa na lengo la kujenga upya muundo wa kawaida katika mfululizo wa muda wa obiti za setilaiti na kufichua mikengeuko kutoka tabia ya kawaida kupitia mabaki ya ujenzi upya. Katika utafiti, thamani za mhimili nusu mkuu zilizohesabiwa kutoka rekodi za Two-Line Element (TLE) za Space-Track zilijengwa upya kwa Peak-AAE, tofauti ya mraba kati ya mfululizo wa awali na uliorejeshwa ikatumika kama alama ya hitilafu, na hitilafu zikabainishwa kwa algorithimu ya Automatic Multi-Scale Peak Detection (AMPD). Kwa BEIDOU-3 G2, mbinu ilitoa kwa wastani %94,57 precision, %94,29 recall na %94,33 F1; kwa IRNSS-1A ilitoa %90,00 precision, %84,74 recall na %87,28 F1. Toleo lililobanwa la modeli, Peak-AAE-Lite, lilijaribiwa katika majaribio ya edge-deployment ya ardhini kwenye Raspberry Pi 4 Model B, na wastani wa inference latency ukapunguzwa kutoka 0,13 ms hadi 0,08 ms. Hata hivyo, matokeo yamethibitishwa tu kwa setilaiti mbili za GEO zilizochunguzwa na katika mazingira ya uigaji wa ardhini; hakuna uthibitishaji wa on-orbit uliofanywa kwenye kompyuta halisi ya safari ya setilaiti.

Tatizo kuu la utafiti lina pande mbili. Mbinu za jadi za kugundua hitilafu katika obiti za setilaiti mara nyingi hutegemea mabadiliko ya mhimili nusu mkuu, derivative, tofauti kati ya modeli ya obiti na uchunguzi, au vipengele vingine vilivyoundwa kwa mkono, na zinaweza kuhitaji kurekebisha kwa mkono urefu wa dirisha au thamani ya kizingiti kwa ajili ya uamuzi wa hitilafu. Kwa upande mwingine, modeli za kawaida za ujifunzaji wa kina zinazotegemea ujenzi upya haziwezi kila mara kutofautisha kwa kuaminika ni upande gani wa jozi ya kilele-bonde inayotokea mwanzoni na mwishoni mwa maneuver fupi ya obiti ndiyo sehemu halisi ya hitilafu. Moduli ya uwezekano wa kilele ya Peak-AAE inalenga tatizo hili la pili, huku AMPD iliyoboreshwa ikilenga uteuzi wa kizingiti na tatizo la kupotea kwa vilele kwenye kingo za mfululizo wa data.

Kwa nini hitilafu ya obiti inafuatiliwa kupitia mhimili nusu mkuu?

Utafiti unaainisha hitilafu za obiti kwa ujumla katika makundi matatu mapana: maneuvers zinazodhibitiwa, matukio maalum yasiyotokana na uingiliaji wa binadamu kama mgongano au kuvuja kwa mafuta, na athari za mazingira makali ya anga za juu. Hata hivyo, kwa kuwa rekodi za kihistoria zilizo na mpangilio thabiti zaidi zinapatikana kwa maneuvers zinazodhibitiwa, utafiti umejikita hasa katika ugunduzi wa maneuver.

Vigezo vya obiti vya chombo cha anga hubadilika kwa kiwango kidogo wakati wa uendeshaji wa kawaida, lakini vinaweza kubadilika kwa kiasi kikubwa zaidi wakati wa maneuvers. Kwa mujibu wa chanzo, katika mabadiliko ndani ya ndege ileile ya obiti, mhimili nusu mkuu ni kigezo nyeti hasa. Hii ndiyo sababu ingizo la utafiti limejikita katika mhimili nusu mkuu.

Mhimili nusu mkuu hupatikanaje kutoka data ya TLE?

TLE hutoa vipengele vya obiti vya setilaiti ya bandia kama mwinuko, right ascension ya ascending node, eccentricity, argument of perigee, mean anomaly na mean motion katika rekodi ya kawaida ya mistari miwili. Mhimili nusu mkuu si mojawapo ya sehemu zinazotolewa moja kwa moja kwenye TLE; utafiti huuhesabu kutoka mean motion.

Ikiwa idadi ya mizunguko ambayo setilaiti hufanya kwa siku ni \(n\), kipindi cha obiti katika kitengo cha siku/mzunguko ni:

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

Ubadilishaji kwenda kitengo cha sekunde/mzunguko:

\[ T_2=T_1\times86400 \]

Sheria ya tatu ya Kepler imetumika katika utafiti kwa namna ifuatayo:

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

Kwa hiyo mhimili nusu mkuu:

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

unahesabiwa. Hapa \(a\) inawakilisha mhimili nusu mkuu, \(T_2\) kipindi cha obiti kwa sekunde, \(G\) ni thabiti ya mvutano wa graviti na \(M\) ni wingi wa Dunia. Chanzo kinatumia thamani \(GM=398600.4418\ \mathrm{km^3/s^2}\) kwa Dunia. Katika mlinganyo, kipindi cha obiti kinapoongezeka, ikiwa hali nyingine hazibadiliki, mhimili nusu mkuu pia unapaswa kuongezeka; uhusiano si wa mstari bali una umbo la \(a\propto T^{2/3}\).

Uandaaji wa mfululizo wa muda

Mfululizo wa kihistoria wa mhimili nusu mkuu hugawanywa kwa madirisha yanayosogea yenye urefu \(m\) na hatua 1. Ikiwa urefu wa data ya awali ni \(L\), ingizo la modeli huunda takribani muundo wa vipimo viwili wa ukubwa \([L-m+1,m]\). Kisha urekebishaji wa Z-score hutumika:

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

Hapa \(X\) ni thamani ya awali, \(\mu\) ni wastani na \(\sigma\) ni mkengeuko sanifu. Ubadilishaji huu hurekebisha kipimo cha mabadiliko ya obiti na kusaidia mtandao wa neva kushughulikia ukubwa tofauti kwa uthabiti zaidi; si kipimo kipya kinachobadilisha thamani halisi ya mhimili nusu mkuu.

Peak-AAE ni nini na kwa nini inahitajika?

Peak-AAE ni modeli ya ujenzi upya usiosimamiwa inayoongeza kwenye muundo wa kawaida wa Adversarial Autoencoder moduli inayozalisha uwezekano wa kilele kwa kila nukta ya muda; lengo ni kupunguza kuchanganywa kwa upande wa mwanzo na mwisho wa maneuver ya obiti katika modeli za kawaida za ujenzi upya na kufanya eneo halisi la hitilafu lizalishe mabaki ya ujenzi upya yaliyo wazi zaidi.

Kiini cha Adversarial Autoencoder

Adversarial Autoencoder ya kawaida hutumia vipengele vitatu vya msingi: encoder \(E\), decoder \(G\) na discriminator \(D\). Encoder huhamisha mfululizo wa ingizo kwenda nafasi fiche, decoder hujaribu kujenga upya mfululizo wa ingizo kutoka uwakilishi fiche, na discriminator hulinganisha mgawanyo fiche ulioundwa na encoder na prior distribution iliyowekwa mapema. Katika utafiti, prior distribution ni mgawanyo wa kawaida.

Mgawanyo fiche uliojumlishwa:

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

unaelezwa kwa uhusiano huo. Hapa \(q(z|x)\) inawakilisha uhamishaji wa ingizo \(x\) kwenda nafasi fiche \(z\), na \(p_d(x)\) inawakilisha mgawanyo wa data ya ingizo.

Moduli ya kuzalisha uwezekano wa kilele

Kipengele kinachoitofautisha Peak-AAE kina sehemu tatu: uchimbaji wa vipengele vya mizani mingi, uunganishaji wa vipengele na uzalishaji wa uwezekano wa kilele. Katika hatua ya kwanza, tabaka tatu za convolution ya mwelekeo mmoja zenye ukubwa wa kernel 3, 5 na 7 hutumiwa. Hivyo mifumo mifupi na mifumo ya ndani iliyo pana kiasi inaweza kuchunguzwa kwa wakati mmoja. Tabaka mbili zinazofuata za kernel-3 convolution huunganisha vipengele hivi. Matokeo ya Sigmoid katika hatua ya mwisho huzalisha uwezekano wa kilele kati ya 0–1 kwa kila nukta ya data.

Operesheni ya convolution ya mwelekeo mmoja imefafanuliwa katika chanzo kama:

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

Hapa \(k\) ni ukubwa wa kernel, \(s\) ni stride, \(p\) ni padding, \(w\) ni uzani wa convolution na \(b\) ni thamani ya bias.

Kwa nini uwezekano wa kilele unaweza kujifunzwa bila usimamizi?

Katika mafunzo ya moduli, badala ya kutumia lengo lililowekewa lebo moja kwa moja la “kilele / si kilele”, vipengele vitatu vya loss hutumika.

Loss ya sparsity:

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

Kwa kuwa inatarajiwa kwamba nukta za kilele zitakuwa chache katika mfululizo mzima, ongezeko lisilo la lazima la wastani wa uwezekano wa kilele huadhibiwa.

Loss ya smoothness:

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

Hupunguza uwezekano wa kuruka kupita kiasi na bila mpangilio kati ya uwezekano wa nukta jirani.

Loss ya contrast:

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

Ubadilishaji wa min–max:

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

ndivyo ulivyo. Kipengele hiki husaidia kuunda uhusiano kati ya nukta zenye amplitude iliyo wazi zaidi na uwezekano wa juu zaidi wa kilele. Chanzo kinasisitiza kwamba muundo huu si utaratibu wa classical attention: attention hubadilisha uzani wa uwakilishi wa vipengele, ilhali hapa uwezekano wa kilele hutolewa kwa kila nafasi na utofautishaji wa nafasi hutumika katika hesabu ya loss.

Mafunzo ya Discriminator

Wakati discriminator inafundishwa, uzani wa autoencoder hugandishwa. Vekta fiche zinazozalishwa na encoder pamoja na vekta zilizochukuliwa kutoka mgawanyo wa kawaida huingizwa kwenye discriminator. Loss inayotegemea binary cross-entropy ni:

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

Kazi ya discriminator ni kutofautisha sampuli kutoka prior distribution na sampuli zinazotokana na encoder.

Kubadilisha loss ya autoencoder katika Peak-AAE

Wakati encoder na decoder zinafundishwa, loss ya ziada ya rekonstruksiya ya “non-peak” huongezwa kwenye hitilafu ya msingi ya ujenzi upya kwa nukta zilizobainishwa kuwa na uwezekano mdogo wa kilele:

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

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

Loss ya jumla ya ujenzi upya:

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

Adversarial loss:

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

na loss ya mwisho ya autoencoder:

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

hufafanuliwa hivyo. Kigezo 5 ni uzani wa jamaa wa non-peak loss, huku 0,5 ikiwa uzani wa jamaa wa adversarial loss. Hizi ni hyperparameters za muundo wa mafunzo ya utafiti; neno “bila kizingiti” halimaanishi kwamba modeli haina hyperparameters. Sehemu ambayo waandishi wanaiita bila kizingiti ni matumizi ya AMPD badala ya kizingiti thabiti kilichochaguliwa kwa mkono katika uamuzi wa mwisho wa hitilafu.

Mipangilio ya mafunzo

Algorithimu ya AMPD inatumikaje katika utafiti huu?

AMPD ni algorithimu ya kugundua vilele inayotafuta vilele vya ndani kwa mizani kadhaa katika mfululizo wa mabaki ya ujenzi upya unaozalishwa na Peak-AAE ili kubaini wagombea wa hitilafu, na hivyo kupunguza hitaji la kuchagua kwa mkono kizingiti thabiti cha hitilafu; utafiti pia umebadilisha utaratibu wa kuchakata mipaka wa AMPD ili kupunguza kupotea kwa hitilafu mwanzoni na mwisho wa mfululizo.

Tatizo la mipaka katika AMPD ya awali

AMPD kwanza huunda ramani ya Local Maximum Scale (LMS), huhesabu jumla kwa kila mizani na huchagua mizani inayolingana na jumla ndogo zaidi kama mizani bora \(\lambda\). Tathmini ya local maximum kimsingi hutegemea kulinganisha nukta na majirani zake wawili walio umbali fulani. Hata hivyo, thamani \(k\) inapokaribia nafasi ya ukingo wa mfululizo, index overflow inaweza kutokea.

Kupunguza tu eneo la utafutaji kuwa \([k,N-k]\) huzuia kosa la programu, lakini katika hali hiyo hitilafu halisi mwanzoni na mwisho wa mfululizo zinaweza kukosa kuonekana. Suluhisho la utafiti lina hatua mbili:

1. Wakati wa kutafuta mizani bora, eneo la index huzuiliwa kwa mipaka salama.
2. Katika kugundua kilele halisi, mirror padding yenye urefu sawa na mizani bora huongezwa kwenye kingo zote mbili za mfululizo.

Athari ya mabadiliko haya imeonyeshwa kwenye BEIDOU-3 G2. AMPD ya awali ilikosa hitilafu ya siku ya 355 kwenye nukta ya mwisho, huku toleo lenye edge padding likiwezesha kuigundua. Hata hivyo, waandishi pia wanaeleza kuwa ikiwa nukta ya kwanza au ya mwisho yenyewe ni maximum ya ukingo, padding inaweza kusababisha kilele bandia.

Mtiririko wa jumla wa uchakataji wa utafiti

1. Pata rekodi za kihistoria za TLE za setilaiti lengwa kutoka Space-Track.
2. Hesabu mfululizo wa muda wa mhimili nusu mkuu kutoka mean motion ya TLE.
3. Gawanya mfululizo kuwa sampuli kwa dirisha linalosogea na urekebishe.
4. Fundisha moduli ya uwezekano wa kilele kwa njia isiyosimamiwa.
5. Fundisha discriminator wakati autoencoder imegandishwa.
6. Fundisha muundo wa encoder-decoder kwa loss maalum ya Peak-AAE wakati discriminator imegandishwa.
7. Jenga upya mfululizo wa ingizo kwa Peak-AAE.
8. Hesabu tofauti ya mraba kati ya thamani za awali na zilizojengwa upya kama mfululizo wa residual/anomaly-score.
9. Gundua vilele vya residual kwa AMPD iliyoboreshwa.
10. Tathmini vilele hivi kama wagombea wa maneuver/hitilafu ya obiti.

Mbinu na matokeo ya utafiti

Data za majaribio

Malengo mawili yaliyojaribiwa ni setilaiti za urambazaji BEIDOU-3 G2 na IRNSS-1A, na zote mbili ziko katika daraja la geostationary Earth orbit (GEO). Waandishi wanaeleza kuwa marekebisho ya mara kwa mara ya obiti katika setilaiti za GEO huongeza utajiri wa data ya kihistoria ya maneuvers na hivyo kuzifanya zifae kwa tathmini ya mbinu.

Kwa BEIDOU-3 G2, rekodi za TLE kutoka 1 Januari 2022–31 Desemba 2022 zilitumika. Kwa kuwa TLE zilikosekana katika siku 130, 168, 169, 200, 227 na 229, siku hizi ziliondolewa kwenye ratiba. Tukio la siku ya 198 katika rekodi ya marejeo ya maneuver lilihamishwa na waandishi hadi siku ya 196 kwa sababu mabadiliko halisi katika mhimili nusu mkuu yalionekana siku ya 196. Katika seti hii ya data, nukta 14 za maneuver zilitathminiwa.

Kwa IRNSS-1A, kipindi cha 2018–2021 kilitumika. Seti hii ya data ina rekodi nyingi zaidi za TLE zilizokosekana, na kwa kuwa hakuna rejea huru ya historia ya maneuvers, hitilafu zilibainishwa kwa mkono na watafiti. Tofauti ya mhimili nusu mkuu kati ya siku zinazofuatana ilihesabiwa, wagombea wakachujwa kwa kanuni ya 2δ, na nukta wagombea zikathibitishwa kulingana na tabia ya kilele/bondeni kwenye grafu ya mhimili nusu mkuu. Chanzo kinaorodhesha jumla ya nukta 38 za maneuver. Utaratibu huu wa kuweka lebo kwa mkono ni kikomo muhimu cha kimetodolojia kinachopaswa kuzingatiwa katika kutafsiri matokeo ya IRNSS-1A.

Waandishi walichagua kutumia rekodi moja tu ya TLE kwa siku ili mzunguko usio sawa wa kusasisha TLE usibadilishe kwa njia ya bandia tofauti za sampuli zinazofuatana. Chaguo hili linalenga kufanya vipindi vya sampuli za muda vifanane zaidi.

Vipimo vya tathmini

Darasa la hitilafu limechukuliwa kuwa chanya. Precision:

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

hupima ni kiasi gani cha nukta ambazo modeli imeita hitilafu ni hitilafu halisi.

Recall:

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

huonyesha ni kiasi gani cha hitilafu halisi zimegunduliwa.

F1-score:

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

ni wastani wa harmonic kati ya precision na recall.

Majaribio ya kulinganisha

Peak-AAE ililinganishwa na Moving-Window Curve Fitting (MWCF), Semi-Major Axis Change Method (SACM) na modeli za ujifunzaji wa kina VAE, USAD na Anomaly-Transformer. VAE, USAD, Anomaly-Transformer na mbinu iliyopendekezwa ziliendeshwa mara tano kwa majaribio huru, na wastani ± mkengeuko sanifu ukaripotiwa.

Kwa BEIDOU-3 G2, SACM ilinasa maneuvers zote halisi na kupata %100 recall, lakini precision ilibaki %73,68 kutokana na false positive nyingi zaidi. Kwa hiyo SACM ni imara kwa kipengele cha “kutokosa”, huku kwa uwiano wa precision–recall F1 ya Peak-AAE ikiwa juu zaidi.

Kwa IRNSS-1A, F1 ya SACM ni %90,00 na ni juu kuliko %87,28 ya Peak-AAE. Kwa upande mwingine Peak-AAE ina precision ya %90,00, juu kuliko %85,71 ya SACM. Kwa hiyo matokeo hayapaswi kutafsiriwa kuwa “mbinu iliyopendekezwa ilizidi kila ulinganisho katika kila kipimo.” Faida kuu ya chanzo ni kuonyesha uwekaji wa hitilafu wenye mafanikio zaidi kuliko VAE, USAD na Anomaly-Transformer zinazotegemea ujenzi upya, huku ikipunguza uhandisi wa vipengele kwa mkono.

Makosa yalitokea wapi?

Katika moja ya majaribio ya mfano ya Peak-AAE kwa BEIDOU-3 G2, maneuver ya siku ya 265 ilikosekana. Waandishi wanaeleza kuwa hii inatokana na ukubwa mdogo kiasi wa maneuver hiyo.

Kwa IRNSS-1A, katika matokeo ya mfano kuliripotiwa false positive moja na matukio manne yaliyokosekana. False positive ilikuwa siku ya 419; matukio yaliyokosekana yalikuwa siku 44, 418, 661 na 780. Kwa mujibu wa uchambuzi wa residual wa chanzo, siku 44 na 780 signal ya residual ya modeli ilikuwa na hitilafu lakini AMPD haikuweza kutenganisha vilele. Matukio yaliyokosekana siku 418 na 661 pamoja na false positive siku 419 yalihusishwa moja kwa moja na ujenzi upya wa Peak-AAE.

Kwa nini modeli za kawaida za ujenzi upya hupata shida?

Uchunguzi mkuu wa utafiti ni kwamba maneuver ya obiti mara nyingi huonekana kwa muda mfupi kama kilele cha haraka kikifuatwa na bonde, au kinyume chake. Katika matokeo ya VAE na USAD, false positive nyingi na hitilafu zilizokosekana hulingana zikiwa zimehamishwa kwa hatua moja ya muda. Waandishi wanafasiri hili kuwa modeli kushindwa kutofautisha kwa kuaminika mwanzo na mwisho wa hitilafu. Moduli ya uwezekano wa kilele ya Peak-AAE imeundwa mahsusi kuboresha tofauti hii.

Utafiti wa ablation unaonyesha nini?

Hapa AMPD* yenye alama ya nyota ni toleo la AMPD lililobadilishwa lililopendekezwa katika utafiti. Kuhama kutoka AAE kwenda Peak-AAE kuliongeza utendaji kwa kiasi kikubwa katika seti zote mbili za data, huku athari ya mabadiliko ya AMPD pekee ikiwa ndogo zaidi. Kwa hiyo chanzo kinahoji kuwa kipengele kikuu kinachoamua utendaji wa kugundua hitilafu ni ubora wa modeli ya ujenzi upya inayozalisha signal ya residual.

Kutokuwa na uhakika wa kitakwimu

Majaribio ya ujifunzaji wa kina yalifanywa kwa marudio matano huru, na katika viambatisho vipindi vya kujiamini vya %95 vilihesabiwa kutoka t-distribution yenye \(n=5\) na degrees of freedom 4. Kwa mfano, kwa mbinu iliyopendekezwa kipindi cha kujiamini cha F1 kwa BEIDOU-3 G2 kiliripotiwa kuwa %90,58–%98,09; kwa IRNSS-1A %83,11–%91,44. Kwa kuwa vipindi hivi vimehesabiwa kutoka marudio matano tu, vinaweza kuwa pana sana hasa kwa modeli zenye variability kubwa.

Edge deployment ya Peak-AAE-Lite inaleta faida gani?

Peak-AAE-Lite ni toleo linalohifadhi utaratibu mkuu wa Peak-AAE wa kugundua hitilafu huku likipunguza idadi ya parameters kwenye tabaka za mtandao; katika majaribio ya ardhini ya Raspberry Pi 4B, idadi ya parameters ilipunguzwa kutoka 28.564 hadi 9.308, wastani wa inference latency kutoka 0,13 ms hadi 0,08 ms, na throughput ikaongezeka kutoka inference 10.793,93 kwa sekunde hadi 13.688,56 kwa sekunde.

Usanifu wa mfumo wa edge

Katika uigaji wa ardhini, mfumo umegawanywa katika sehemu tatu:

• Terminali ya data: hufundisha modeli ya Peak-AAE iliyobanwa, huibadilisha kuwa TensorFlow Lite, huiweka kwenye Raspberry Pi na kuchapisha data za orbital za CSV kupitia MQTT.
• Edge node: huchakata mfululizo wa orbital unaokuja kupitia MQTT, huendesha Peak-AAE-Lite inference, huhesabu anomaly score kutoka tofauti ya mraba kati ya data ya awali na iliyojengwa upya, hutumia AMPD na kutuma matokeo kupitia MQTT/HTTP.
• Terminali ya simu: huonyesha kwa mtumiaji taarifa kama timestamp ya hitilafu, kitambulisho cha setilaiti na alama kutoka seva ya mtu wa tatu, na huunda log.

Chanzo pia kinaeleza kwamba kiolesura cha ufuatiliaji kiliundwa kwa Node-RED; anomaly score za zamani, anomaly score ya sasa na taarifa ya hali ya kawaida/isiyo ya kawaida huonyeshwa kwenye kiolesura.

Matokeo ya kubana modeli

Ingawa idadi ya parameters ilipungua kwa takribani %67,4, ni jambo la kuzingatia kwamba peak memory ilipungua tu kutoka 415,05 MB hadi 412,97 MB. Chanzo kinaeleza hili kwa sehemu kubwa ya TensorFlow Lite runtime, miundo ya delegate na gharama za input/output tensor allocation katika kumbukumbu ya jumla. Kwa hiyo, process memory haitarajiwi kupungua kwa uwiano uleule na parameter compression.

Katika benchmark hii, jaribio la inference lilifanywa kwa marudio 200, jaribio la throughput kwa sekunde 10 na jaribio la kumbukumbu kwa inference 50. Ukubwa wa dirisha la ingizo la modeli uliwekwa kuwa 24; waandishi wanaeleza hili ili kuendana na sasisho la takribani kila saa la broadcast ephemeris na nukta 24 za data kwa siku.

Utendaji wa kugundua baada ya kubana

Kwa BEIDOU-3 G2, recall ilibaki %94,29 huku precision ikishuka kwa pointi asilimia 6,25 na F1 kwa pointi 3,21. Kwa IRNSS-1A, precision ilipungua kwa 4,68, recall kwa 5,27 na F1 kwa pointi asilimia 4,99. Kwa hiyo kupunguza ukubwa wa modeli kunaleta faida katika latency na throughput, lakini usahihi wa kugundua hauhifadhiwi kikamilifu.

Je, utafiti huu ni mfumo wa setilaiti uliothibitishwa katika safari halisi?

Hapana. Ingawa algorithimu imetathminiwa kwa kutumia data halisi za kihistoria za TLE, uthibitishaji wa edge deployment wa Peak-AAE-Lite ni uigaji wa ardhini uliofanywa kwenye Raspberry Pi 4B; modeli haijajaribiwa kwenye kompyuta halisi ya safari ya setilaiti, katika mazingira ya mionzi au katika mzunguko wa uamuzi wa uendeshaji wa on-orbit.

Matokeo yanayoungwa mkono na utafiti

• AAE yenye moduli ya uwezekano wa kilele ilitoa vipimo vya juu zaidi vya kugundua katika seti mbili za data za GEO zilizochunguzwa kuliko AAE ya awali.
• AMPD iliyoboreshwa ilipunguza kukosa baadhi ya hitilafu kwenye kingo za mfululizo wa data.
• Peak-AAE ilionyesha utendaji wa juu zaidi katika kazi iliyochunguzwa, hasa ikilinganishwa na matokeo ya ujenzi upya ya VAE, USAD na Anomaly-Transformer.
• Kupunguza modeli kuliboresha inference latency na throughput katika jaribio la Raspberry Pi.
• Modeli iliyobanwa, licha ya upotevu wa utendaji, ilihifadhi viwango vya F1 vinavyoweza kutumika katika seti mbili za data zilizochunguzwa.

Matokeo ambayo utafiti huu pekee hauungi mkono

• Haijaonyeshwa kwa majaribio kwamba mbinu itatoa utendaji uleule katika obiti za LEO, MEO au HEO.
• Mafanikio ya uendeshaji wa real-time on-orbit kwenye kompyuta halisi ya setilaiti hayajathibitishwa.
• Lebo za ground-truth za IRNSS-1A hazikutokana na historia huru rasmi ya maneuvers bali na utaratibu wa mwongozo wa utafiti.
• Mbinu haitambui aina zote zinazowezekana za hitilafu za obiti kama madarasa tofauti; majaribio yamejikita hasa kwenye matukio ya maneuver.
• Alama ya kugundua hitilafu si utaratibu wa uchunguzi unaotambua moja kwa moja sababu ya kimwili ya tukio.

Tofauti za kiasi na istilahi ndani ya chanzo

Sehemu ya utangulizi ya chanzo inasema Peak-AAE ilipunguzwa kutoka takribani parameters 48 hadi 9,3 na ukubwa wa modeli kutoka 201 KB hadi 52 KB. Hata hivyo, Table 9 ya kina ya edge-deployment inaripoti jumla ya parameters 28.564 kwa Peak-AAE na 9.308 kwa Peak-AAE-Lite. Kauli ya “upotevu wa juu wa usahihi %2,85” katika aya hiyo hiyo ya utangulizi pia hailingani moja kwa moja na baadhi ya mabadiliko ya pointi asilimia 3–6 yanayoonekana katika Table 11–12. Kwa hiyo katika maandishi haya ya Verianla, matokeo yaliyo kwenye jedwali yamechukuliwa kuwa msingi wa ulinganisho wa kina, huku thamani tofauti za utangulizi zikihifadhiwa kama kutofautiana kwa ndani ya chanzo.

Pia, katika sehemu ya matokeo, kiini cha mbinu kinatajwa kwa kauli “SGP4 residual reconstruction”. Hata hivyo, katika sehemu kuu ya mbinu iliyopendekezwa, mhimili nusu mkuu huhesabiwa kutoka mean motion ya TLE kwa uhusiano wa Kepler, na residual huundwa kutokana na tofauti kati ya mfululizo wa awali na uliorekonstruksiawa na Peak-AAE. SGP4/SDP4 imeelezwa katika utangulizi kama mojawapo ya mbinu zinazotumiwa katika fasihi iliyopo. Kwa hiyo, SGP4 haijapanuliwa hapa kama hatua iliyothibitishwa ya uchakataji wa mbinu iliyopendekezwa.

Dokezo la chanzo na mbinu

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

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

Mwandishi wa mawasiliano: Xiaolong Yue.

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

Jarida: Aerospace.

Mchapishaji: MDPI.

Juzuu / toleo / makala: 13 / 9 / 802.

Tarehe ya kuchapishwa: 2 Septemba 2026.

DOI: 10.3390/aerospace13090802.

Aina ya chanzo: Makala ya utafiti iliyopitiwa na wataalamu.

Leseni: Creative Commons Attribution (CC BY). PDF ya chanzo inaeleza wazi kwamba leseni ni CC BY. Maelezo ya Verianla hayajaandaliwa kama uandishi upya wa sentensi za chanzo, bali kama muundo huru wa kielimu unaoeleza mbinu ya kisayansi, namba, milinganyo na matokeo.

Upatikanaji wa data: Waandishi wanaeleza kwamba data za setilaiti zilizotumika zilitoka Space-Track.

Ufadhili: Utafiti uliungwa mkono na mradi namba 2026CXPT113 chini ya Shandong Province Key Research and Development Program.

Mgongano wa maslahi: Waandishi wametangaza kwamba hakuna mgongano wa maslahi.

Michango ya waandishi: Kwa mujibu wa taarifa ya chanzo, kazi ya majaribio ilifanywa na Y.G., makala ikaandikwa na X.Y., B.W. na B.L. wakatoa maoni kwa marekebisho, na waandishi wote wakapitia maandishi ya mwisho.

Vikomo vikuu vya kimetodolojia: Uthibitishaji umewekewa mipaka kwa setilaiti mbili za GEO. Hitilafu za IRNSS-1A ziliwekewa lebo kwa utaratibu wa mkono badala ya rekodi huru ya kihistoria ya maneuver. Kuna rekodi za TLE zilizokosekana. Uthibitishaji wa kifaa cha edge ni uigaji wa ardhini kwenye Raspberry Pi; si on-orbit deployment. Uwezekano wa kuhamisha mbinu kwenda LEO, MEO na HEO umejadiliwa na waandishi kama uwezekano wa kinadharia, lakini haujathibitishwa kwa majaribio katika madarasa hayo ya obiti.