Peak Adversarial Autoencoder (Peak-AAE) меъмории autoencoder-и adversarial-и беназоратест, ки бо модули махсуси тавлиди эҳтимоли қулла васеъ карда шудааст ва ҳадафаш бозсозии сохтори муқаррарии силсилаҳои замонии мадори моҳвора ва ошкор кардани дуршавиҳо аз рафтори муқаррарӣ тавассути боқимондаҳои реконструксия мебошад. Дар таҳқиқот қиматҳои ниммеҳвари калон, ки аз сабтҳои Two-Line Element (TLE)-и манбаи Space-Track ҳисоб шудаанд, бо Peak-AAE бозсозӣ гардида, фарқи квадрати байни силсилаи аслӣ ва бозсозишуда ҳамчун холҳои аномалия истифода шудааст ва аномалияҳо бо алгоритми Automatic Multi-Scale Peak Detection (AMPD) муайян карда шудаанд. Барои BEIDOU-3 G2 усул ба ҳисоби миёна %94,57 precision, %94,29 recall ва %94,33 F1; барои IRNSS-1A бошад %90,00 precision, %84,74 recall ва %87,28 F1 додааст. Нусхаи фишурдашудаи модел, Peak-AAE-Lite, дар Raspberry Pi 4 Model B дар озмоиши заминии edge-deployment санҷида шуда, миёнаи inference latency аз 0,13 ms ба 0,08 ms коҳиш дода шудааст. Бо вуҷуди ин, натиҷаҳо танҳо барои ду моҳвораи GEO-и омӯхташуда ва шароити симулятсияи заминӣ тасдиқ шудаанд; дар компютери воқеии парвозӣ on-orbit санҷиш гузаронида нашудааст.

Масъалаи асосии таҳқиқот ду ҷанба дорад. Усулҳои анъанавии ошкорсозии аномалияи мадори моҳвора аксар вақт ба тағйири ниммеҳвари калон, ҳосила, фарқи байни модели мадор ва мушоҳида ё дигар хусусиятҳои дастӣ тарҳрезишуда такя мекунанд ва метавонанд барои қабули қарори аномалия танзими дастии дарозии равзана ё қимати остонаро талаб намоянд. Аз тарафи дигар, моделҳои стандартии омӯзиши амиқи ба реконструксия асосёфта на ҳамеша метавонанд боэътимод муайян кунанд, ки кадом тарафи ҷуфти қулла-водӣ, ки дар оғоз ва анҷоми манёври кӯтоҳмуддати мадорӣ ба вуҷуд меояд, нуқтаи воқеии аномалия аст. Модули эҳтимоли қуллаи Peak-AAE ба ҳамин масъалаи дуюм нигаронида шудааст; AMPD-и такмилёфта бошад ба интихоби остона ва мушкили гум шудани қуллаҳо дар канорҳои силсилаи додаҳо равона мегардад.

Чаро аномалияи мадорӣ тавассути ниммеҳвари калон пайгирӣ мешавад?

Таҳқиқот аномалияҳои мадориро дар маҷмӯъ ба се синфи васеъ ҷудо мекунад: манёврҳои идорашаванда, ҳодисаҳои махсуси берун аз дахолати инсон ба монанди бархӯрд ё ихроҷи сӯзишворӣ ва таъсири муҳити шадиди кайҳонӣ. Аммо аз нигоҳи додаҳои таҷрибавӣ сабтҳои таърихии аз ҳама мунтазам ба манёврҳои идорашавандаи мадорӣ рост меоянд, бинобар ин кор асосан ба ошкор кардани манёврҳо тамаркуз кардааст.

Параметрҳои мадории аппарати кайҳонӣ дар шароити кори муқаррарӣ одатан тағйироти нисбатан хурд нишон медиҳанд, вале ҳангоми манёврҳо метавонанд ба таври назаррас тағйир ёбанд. Тибқи манбаъ, барои тағйирот дар дохили ҳамон як ҳамвории мадорӣ ниммеҳвари калон параметри махсусан ҳассос аст. Сабаби тамаркузи вуруди таҳқиқот ба ниммеҳвари калон ҳамин мебошад.

Ниммеҳвари калон аз додаҳои TLE чӣ гуна ба даст оварда мешавад?

TLE унсурҳои мадории моҳвораи сунъӣ, аз ҷумла майл, баромади рости гиреҳи болораванда, эксцентриситет, аргументи перигей, аномалияи миёна ва ҳаракати миёнаро дар сабти стандарти ду сатрӣ медиҳад. Ниммеҳвари калон мустақиман яке аз майдонҳои TLE нест; таҳқиқот онро аз ҳаракати миёна ҳисоб мекунад.

Агар шумораи гардишҳои моҳвора дар як рӯз \(n\) бошад, давраи мадорӣ дар воҳиди рӯз/гардиш:

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

Табдил ба воҳиди сония/гардиш:

\[ T_2=T_1\times86400 \]

Қонуни сеюми Кеплер дар таҳқиқот чунин истифода шудааст:

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

Ҳамин тавр ниммеҳвари калон:

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

ҳисоб карда мешавад. Дар ин ҷо \(a\) ниммеҳвари калон, \(T_2\) давраи мадорӣ дар сония, \(G\) собити ҷозиба ва \(M\) массаи Заминро ифода мекунад. Манбаъ барои Замин қимати \(GM=398600.4418\ \mathrm{km^3/s^2}\)-ро истифода мебарад. Дар муодила, вақте давраи мадорӣ зиёд мешавад, агар шароити дигар тағйир наёбад, ниммеҳвари калон низ бояд зиёд шавад; робита хаттӣ нест ва шакли \(a\propto T^{2/3}\)-ро дорад.

Омодасозии силсилаи замонӣ

Силсилаи таърихии ниммеҳвари калон бо равзанаҳои лағжандае, ки дарозии \(m\) ва қадами 1 доранд, тақсим мешавад. Агар дарозии додаҳои аслӣ \(L\) бошад, вуруди модел сохтори дученаи тақрибан \([L-m+1,m]\)-ро ташкил медиҳад. Сипас нормализатсияи Z-score татбиқ мешавад:

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

Дар ин ҷо \(X\) қимати аслӣ, \(\mu\) миёна ва \(\sigma\) инҳирофи стандартӣ мебошад. Ин табдил миқёси тағйири мадорро нормалӣ карда, ба шабакаи нейронӣ имкон медиҳад бузургиҳои гуногунро мунтазамтар коркард кунад; ин ченаки нави физикӣ нест, ки худи қимати ниммеҳвари калонро тағйир диҳад.

Peak-AAE чист ва чаро зарур аст?

Peak-AAE модели реконструксияи беназоратест, ки ба сохтори стандартии Adversarial Autoencoder модуле илова мекунад, ки барои ҳар нуқтаи вақт эҳтимоли қулла тавлид менамояд; ҳадаф кам кардани омехташавии оғоз ва анҷоми манёври мадорӣ дар моделҳои стандартии реконструксия ва таъмин кардани он аст, ки мавқеи воқеии аномалия боқимондаи бозсозии равшантар тавлид кунад.

Ядрои Adversarial Autoencoder

Adversarial Autoencoder-и стандартӣ се ҷузъи асосиро истифода мебарад: encoder \(E\), decoder \(G\) ва discriminator \(D\). Encoder силсилаи вурудиро ба фазои ниҳонӣ мебарад, decoder кӯшиш мекунад силсилаи вурудиро аз намояндагии ниҳонӣ бозсозӣ кунад ва discriminator тақсимоти ниҳонии аз ҷониби encoder сохташударо бо prior-и пешакӣ муайяншуда муқоиса мекунад. Дар таҳқиқот prior тақсимоти нормалӣ мебошад.

Тақсимоти ниҳонии ҷамъшуда:

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

бо ин муносибат ифода мешавад. Дар ин ҷо \(q(z|x)\) харитасозии вуруди \(x\)-ро ба фазои ниҳонии \(z\), ва \(p_d(x)\) тақсимоти додаҳои вурудиро ифода мекунад.

Модули тавлиди эҳтимоли қулла

Ҷузъи фарқкунандаи Peak-AAE аз се зерсохтор иборат аст: истихроҷи хусусиятҳои бисёрмиқёса, муттаҳидсозии хусусиятҳо ва тавлиди эҳтимоли қулла. Дар марҳилаи аввал се қабати convolution-и якандоза бо андозаҳои kernel-и 3, 5 ва 7 истифода мешавад. Ҳамин тавр намунаҳои кӯтоҳ ва нисбатан васеътари маҳаллӣ ҳамзамон таҳлил карда мешаванд. Ду қабати минбаъдаи kernel-3 convolution ин хусусиятҳоро муттаҳид мекунанд. Баромади Sigmoid дар марҳилаи охирин барои ҳар нуқтаи дода эҳтимоли қулла дар диапазони 0–1 медиҳад.

Амали convolution-и якандоза дар манбаъ чунин муайян шудааст:

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

Дар ин ҷо \(k\) андозаи kernel, \(s\) stride, \(p\) padding, \(w\) вазнҳои convolution ва \(b\) қимати bias мебошад.

Чаро эҳтимоли қулла метавонад беназорат омӯхта шавад?

Дар омӯзиши модул ба ҷойи ҳадафи мустақиман тамғагузоришудаи “қулла / ғайриқулла” се ҷузъи loss истифода мешавад.

Loss-и парокандагӣ:

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

Азбаски интизор меравад нуқтаҳои қулла дар тамоми силсила кам бошанд, болоравии нолозими миёнаи эҳтимоли қулла ҷазо дода мешавад.

Loss-и ҳамворӣ:

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

Пайдо шудани ҷаҳишҳои аз ҳад зиёд ва номунтазамро байни эҳтимолҳои нуқтаҳои ҳамсоя маҳдуд мекунад.

Loss-и контраст:

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

Табдили min–max:

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

мебошад. Ин ҳад имкон медиҳад байни нуқтаҳои дорои амплитудаи намоёнтар ва эҳтимоли баланди қулла робита барқарор шавад. Манбаъ махсус таъкид мекунад, ки ин сохтор механизми классикии attention нест: attention вазнҳои намояндагии хусусиятро тағйир медиҳад, дар ҳоле ки дар ин ҷо барои ҳар мавқеъ эҳтимоли қулла тавлид мешавад ва дар ҳисобкунии loss фарқгузории мавқеӣ анҷом мегирад.

Омӯзиши Discriminator

Ҳангоми омӯзиши discriminator вазнҳои autoencoder собит нигоҳ дошта мешаванд. Векторҳои ниҳоние, ки encoder тавлид мекунад, ва векторҳои аз тақсимоти нормалӣ намунагирифташуда ба discriminator дода мешаванд. Loss-и бар пояи binary cross-entropy:

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

мебошад. Вазифаи discriminator ҷудо кардани намунаҳои аз prior омада аз намунаҳои аз encoder бадастомада аст.

Тағйир додани loss-и autoencoder дар Peak-AAE

Ҳангоми омӯзиши encoder ва decoder ба хатои асосии реконструксия барои нуқтаҳое, ки эҳтимоли қуллаи онҳо паст муайян шудааст, loss-и иловагии “non-peak” реконструксия илова карда мешавад:

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

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

Loss-и умумии реконструксия:

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

Adversarial loss:

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

ва loss-и ниҳоии autoencoder:

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

муайян карда мешавад. Коэффисиенти 5 вазни нисбии non-peak loss ва коэффисиенти 0,5 вазни нисбии adversarial loss мебошад. Инҳо гиперпараметрҳои тарҳи омӯзиши таҳқиқотанд; “беостона” будан маънои онро надорад, ки модел ягон гиперпараметр надорад. Қисме, ки муаллифон беостона меноманд, истифодаи AMPD ба ҷойи остонаи доимии дастӣ дар қарори ниҳоии аномалия мебошад.

Танзимоти омӯзиш

Алгоритми AMPD дар ин таҳқиқот чӣ гуна истифода мешавад?

AMPD алгоритми ошкорсозии қуллаест, ки бо ҷустуҷӯи қуллаҳои маҳаллӣ дар чанд миқёс дар силсилаи боқимондаи реконструксияи аз Peak-AAE гирифташуда номзадҳои аномалияро муайян мекунад ва бо ҳамин зарурати интихоби дастии остонаи доимии аномалияро кам месозад; таҳқиқот инчунин механизми коркарди сарҳадии AMPD-ро тағйир додааст, то гум шудани аномалияҳо дар оғоз ва анҷоми силсила кам карда шавад.

Мушкилоти сарҳадӣ дар AMPD-и аслӣ

AMPD аввал харитаи Local Maximum Scale (LMS)-ро месозад, ҷамъро барои ҳар миқёс ҳисоб мекунад ва миқёсеро, ки ба хурдтарин ҷамъ мувофиқ аст, ҳамчун миқёси оптималии \(\lambda\) интихоб мекунад. Арзёбии максимумҳои маҳаллӣ аслан ба муқоисаи як нуқта бо ду ҳамсояи он дар фосилаи муайян такя мекунад. Аммо вақте қимати \(k\) ба мавқеи канории силсила наздик мешавад, берун баромадани индекс имконпазир аст.

Танҳо маҳдуд кардани диапазони ҷустуҷӯ бо \([k,N-k]\) хатои барномасозиро пешгирӣ мекунад, аммо дар ин ҳолат аномалияҳои воқеӣ дар оғоз ва анҷоми силсила метавонанд аз назар пинҳон шаванд. Ҳалли таҳқиқот ду марҳила дорад:

1. Ҳангоми ҷустуҷӯи миқёси оптималӣ диапазони индекс бо сарҳадҳои бехатар маҳдуд мешавад.
2. Ҳангоми ошкорсозии воқеии қулла ба ду канори силсила padding бо қиматҳои оинавӣ ва дарозии баробари миқёси оптималӣ илова мешавад.

Таъсири ин тағйирот дар BEIDOU-3 G2 нишон дода шудааст. AMPD-и аслӣ аномалияи рӯзи 355-ро дар нуқтаи охир аз даст дода буд, дар ҳоле ки версияи дорои edge padding онро ошкор карда тавонист. Бо вуҷуди ин, муаллифон қайд мекунанд, ки агар худи нуқтаи аввал ё охир максимум дар канор бошад, padding метавонад қуллаи бардурӯғ ба вуҷуд орад.

Ҷараёни умумии коркарди таҳқиқот

1. Аз Space-Track сабтҳои таърихии TLE-и моҳвораи ҳадафро гир.
2. Аз ҳаракати миёнаи TLE силсилаи замонии ниммеҳвари калонро ҳисоб кун.
3. Силсиларо бо равзанаи лағжанда ба намунаҳо ҷудо ва нормалӣ кун.
4. Модули эҳтимоли қулларо беназорат омӯзон.
5. Ҳангоми собит будани autoencoder discriminator-ро омӯзон.
6. Ҳангоми собит будани discriminator сохтори encoder-decoder-ро бо функсияи махсуси Peak-AAE loss омӯзон.
7. Силсилаи вурудиро бо Peak-AAE бозсозӣ кун.
8. Фарқи квадрати қиматҳои аслӣ ва бозсозишударо ҳамчун силсилаи residual/anomaly-score ҳисоб кун.
9. Бо AMPD-и такмилёфта қуллаҳои residual-ро ошкор кун.
10. Ин қуллаҳоро ҳамчун номзадҳои манёври мадорӣ/аномалия арзёбӣ кун.

Усул ва натиҷаҳои таҳқиқот

Додаҳои таҷрибавӣ

Ду ҳадафи санҷидашуда моҳвораҳои навигатсионии BEIDOU-3 G2 ва IRNSS-1A мебошанд ва ҳарду ба синфи geostationary Earth orbit (GEO) дохил мешаванд. Муаллифон мегӯянд, ки ислоҳҳои зуд-зуди мадорӣ дар моҳвораҳои GEO додаҳои таърихии манёврро ғанӣ карда, онҳоро барои арзёбии усул мувофиқ месозанд.

Барои BEIDOU-3 G2 сабтҳои TLE дар давраи 1 январи 2022–31 декабри 2022 истифода шудаанд. Азбаски дар рӯзҳои 130, 168, 169, 200, 227 ва 229 TLE вуҷуд надошт, ин рӯзҳо аз хати вақт хориҷ карда шудаанд. Ҳодисаи рӯзи 198 дар сабти истинодии манёвр аз ҷониби муаллифон ба рӯзи 196 кӯчонида шудааст, зеро тағйири воқеии ниммеҳвари калон дар рӯзи 196 дида шудааст. Дар ин маҷмӯи додаҳо 14 нуқтаи манёвр арзёбӣ шудааст.

Барои IRNSS-1A давраи 2018–2021 истифода шудааст. Дар ин маҷмӯи додаҳо сабтҳои гумшудаи TLE бештар аст ва азбаски истиноди мустақили таърихи манёвр вуҷуд надорад, аномалияҳо аз ҷониби муҳаққиқон дастӣ муайян шудаанд. Фарқи ниммеҳвари калон байни рӯзҳои пайдарпай ҳисоб карда шуда, номзадҳо бо принсипи 2δ филтр шудаанд ва нуқтаҳои номзад аз рӯи рафтори қулла/водӣ дар графики ниммеҳвари калон тасдиқ шудаанд. Манбаъ дар маҷмӯъ 38 нуқтаи манёврро номбар мекунад. Ин тартиби тамғагузории дастӣ маҳдудияти муҳими методологист, ки ҳангоми шарҳи натиҷаҳои IRNSS-1A бояд ба назар гирифта шавад.

Барои он ки басомади номунтазами навсозии TLE фарқҳои намунаҳои пайдарпайро сунъӣ тағйир надиҳад, муаллифон истифодаи танҳо як сабти TLE-ро дар ҳар рӯз интихоб кардаанд. Ин интихоб ба монандтар кардани фосилаҳои намунагирии вақт нигаронида шудааст.

Метрикаҳои арзёбӣ

Синфи аномалия мусбат қабул шудааст. Precision:

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

чен мекунад, ки чӣ қадар аз нуқтаҳое, ки модел аномалия гуфтааст, воқеан аномалия мебошанд.

Recall:

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

нишон медиҳад, ки чӣ қадар аз аномалияҳои воқеӣ ошкор шудаанд.

F1-score:

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

миёнаи гармоникии precision ва recall мебошад.

Озмоишҳои муқоисавӣ

Peak-AAE бо Moving-Window Curve Fitting (MWCF), Semi-Major Axis Change Method (SACM) ва моделҳои омӯзиши амиқи VAE, USAD ва Anomaly-Transformer муқоиса шудааст. VAE, USAD, Anomaly-Transformer ва усули пешниҳодшуда панҷ маротиба мустақилона иҷро гардида, миёна ± инҳирофи стандартӣ гузориш шудааст.

Дар BEIDOU-3 G2, SACM ҳамаи манёврҳои воқеиро ошкор карда, %100 recall ба даст овардааст, аммо аз сабаби зиёд будани false positive қимати precision дар %73,68 мондааст. Аз ин рӯ танҳо аз ҷиҳати “аз даст надодан” SACM қавӣ аст; аз ҷиҳати тавозуни precision–recall қимати F1-и Peak-AAE баландтар мебошад.

Дар IRNSS-1A қимати F1-и SACM %90,00 буда, аз %87,28-и Peak-AAE баландтар аст. Дар муқобил, Peak-AAE аз ҷиҳати precision бо %90,00 аз %85,71-и SACM болотар аст. Пас натиҷаҳоро набояд ба шакли “усули пешниҳодшуда дар ҳар метрика ҳама муқоисаҳоро бурд” умумӣ кард. Афзалияти асосии манбаъ дар он аст, ки бо коҳиш додани муҳандисии дастии хусусиятҳо ҷойгиркунии аномалияро нисбат ба VAE, USAD ва Anomaly-Transformer-и ба реконструксия асосёфта хеле беҳтар нишон медиҳад.

Хатоҳо дар куҷо ба вуҷуд омаданд?

Дар яке аз озмоишҳои намунавии Peak-AAE барои BEIDOU-3 G2 манёври рӯзи 265 аз даст рафтааст. Муаллифон инро бо нисбатан хурд будани бузургии манёвр шарҳ медиҳанд.

Дар IRNSS-1A дар натиҷаи намунавӣ як false positive ва чор ҳолати аз даст рафтан гузориш шудааст. False positive дар рӯзи 419; ҳодисаҳои аз дастрафта дар рӯзҳои 44, 418, 661 ва 780 буданд. Тибқи таҳлили residual-и манбаъ, дар рӯзҳои 44 ва 780 сигнали residual-и модел аномалияро дар бар мегирифт, вале AMPD қуллаҳоро ҷудо карда натавонист. Аз даст рафтани рӯзҳои 418 ва 661 ва false positive-и рӯзи 419 бевосита ба реконструксияи Peak-AAE нисбат дода шудаанд.

Чаро моделҳои стандартии реконструксия душворӣ мекашанд?

Мушоҳидаи асосии таҳқиқот ин аст, ки манёври мадорӣ аксар вақт дар муддати кӯтоҳ ба шакли қуллаи тез ва баъд водӣ ё баръакс зоҳир мешавад. Дар натиҷаҳои VAE ва USAD бисёр false positive ва аномалияҳои аз дастрафта бо як қадами вақт аз ҳам ҷобаҷошуда мувофиқат мекунанд. Муаллифон инро ҳамчун натавонистани модел барои ҷудокунии боэътимоди оғози аномалия ва анҷоми аномалия шарҳ медиҳанд. Модули эҳтимоли қуллаи Peak-AAE махсус барои беҳтар кардани ҳамин фарқгузорӣ тарҳрезӣ шудааст.

Таҳқиқоти аблятсионӣ чиро нишон медиҳад?

Дар ин ҷо AMPD*-и бо ситора ишорашуда версияи тағйирёфтаи AMPD мебошад, ки дар таҳқиқот пешниҳод шудааст. Гузариш аз AAE ба Peak-AAE дар ҳар ду маҷмӯи додаҳо иҷроишро ба таври назаррас баланд бурдааст, дар ҳоле ки таъсири танҳо тағйири AMPD маҳдудтар аст. Аз ин рӯ манбаъ далел меорад, ки омил асосии муайянкунандаи иҷроиши ошкорсозии аномалия сифати модели реконструксия аст, ки сигнали residual-ро тавлид мекунад.

Номуайянии оморӣ

Озмоишҳои омӯзиши амиқ бо панҷ такрори мустақил анҷом дода шуда, дар замимаҳо бо \(n=5\) ва дараҷаи озодии 4 аз тақсимоти t фосилаҳои эътимоди %95 ҳисоб шудаанд. Масалан, барои усули пешниҳодшуда фосилаи эътимоди F1-и BEIDOU-3 G2 %90,58–%98,09; барои IRNSS-1A %83,11–%91,44 гузориш шудааст. Азбаски ин фосилаҳо танҳо аз панҷ такрор ҳисоб шудаанд, махсусан дар моделҳои дорои тағйирпазирии баланд метавонанд хеле васеъ бошанд.

Edge deployment-и Peak-AAE-Lite чӣ медиҳад?

Peak-AAE-Lite версияест, ки механизми асосии ошкорсозии аномалияи Peak-AAE-ро нигоҳ дошта, шумораи параметрҳоро дар қабатҳои шабака кам мекунад; дар озмоишҳои заминии Raspberry Pi 4B шумораи умумии параметрҳоро аз 28.564 ба 9.308 кам карда, миёнаи inference latency-ро аз 0,13 ms ба 0,08 ms коҳиш дода ва throughput-ро аз 10.793,93 inference дар сония ба 13.688,56 inference дар сония афзоиш додааст.

Меъмории системаи edge

Дар симулятсияи заминӣ система ба се қисм ҷудо шудааст:

• Терминали дода: модели фишурдашудаи Peak-AAE-ро меомӯзонад, ба формати TensorFlow Lite табдил медиҳад, дар Raspberry Pi ҷойгир мекунад ва додаҳои мадории CSV-ро тавассути MQTT нашр мекунад.
• Edge node: силсилаи мадории аз MQTT омадаро коркард мекунад, Peak-AAE-Lite inference-ро иҷро менамояд, аз фарқи квадрати додаҳои аслӣ ва бозсозишуда anomaly score ҳисоб мекунад, AMPD татбиқ мекунад ва натиҷаро тавассути MQTT/HTTP мефиристад.
• Терминали мобилӣ: маълумоти аз сервери тарафи сеюм омада, аз ҷумла тамғаи вақти аномалия, шиносаи моҳвора ва холро ба корбар нишон медиҳад ва сабти log месозад.

Манбаъ инчунин мегӯяд, ки интерфейси мониторинг бо Node-RED сохта шудааст; anomaly score-и таърихӣ, anomaly score-и ҷорӣ ва маълумоти ҳолати муқаррарӣ/аномалӣ дар интерфейс намоиш дода мешаванд.

Натиҷаҳои фишурдани модел

Гарчанде шумораи параметрҳо тақрибан %67,4 кам шудааст, коҳиши peak memory танҳо аз 415,05 MB ба 412,97 MB қобили таваҷҷуҳ аст. Манбаъ инро бо он шарҳ медиҳад, ки TensorFlow Lite runtime, сохторҳои delegate ва хароҷоти input/output tensor allocation дар хотираи умумӣ саҳми калон доранд. Аз ин рӯ интизор намешавад, ки process memory бо parameter compression дар ҳамон таносуб коҳиш ёбад.

Дар ин benchmark санҷиши inference бо 200 такрор, санҷиши throughput дар 10 сония ва санҷиши хотира бо 50 inference иҷро шудааст. Андозаи равзанаи вуруди модел 24 интихоб шудааст; муаллифон онро бо навсозии тақрибан соатбаи broadcast ephemeris ва 24 нуқтаи дода дар як рӯз мутобиқ мекунанд.

Иҷроиши ошкорсозӣ пас аз фишурдан

Дар BEIDOU-3 G2 recall дар %94,29 нигоҳ дошта шуда, precision 6,25 банди фоизӣ ва F1 3,21 банди фоизӣ коҳиш ёфтааст. Дар IRNSS-1A precision 4,68, recall 5,27 ва F1 4,99 банди фоизӣ кам шудааст. Бинобар ин хурд кардани модел аз нигоҳи latency ва throughput бартарӣ медиҳад, аммо дақиқии ошкорсозӣ пурра нигоҳ дошта намешавад.

Оё ин таҳқиқот системаи моҳвораиест, ки дар парвози воқеӣ тасдиқ шудааст?

Не. Гарчанде алгоритм бо додаҳои воқеии таърихии TLE арзёбӣ шудааст, санҷиши edge deployment-и Peak-AAE-Lite симулятсияи заминӣ дар Raspberry Pi 4B мебошад; модел дар компютери воқеии парвозии моҳвора, муҳити радиатсионӣ ё даври амалии қабули қарор on-orbit санҷида нашудааст.

Натиҷаҳое, ки таҳқиқот дастгирӣ мекунад

• AAE бо модули эҳтимоли қулла дар ду маҷмӯи додаҳои GEO-и омӯхташуда нисбат ба AAE-и аслӣ метрикаҳои баландтари ошкорсозӣ додааст.
• AMPD-и такмилёфта аз даст рафтани баъзе аномалияҳоро дар канори силсилаи додаҳо кам кардааст.
• Peak-AAE дар вазифаи омӯхташуда нисбат ба натиҷаҳои реконструксияи VAE, USAD ва Anomaly-Transformer иҷроиши хеле баландтар нишон додааст.
• Камкунии модел дар озмоиши Raspberry Pi inference latency ва throughput-ро беҳтар кардааст.
• Модели фишурдашуда бо вуҷуди талафи иҷроиш дар ду маҷмӯи додаҳои омӯхташуда қиматҳои F1-и қобили истифода нигоҳ доштааст.

Натиҷаҳое, ки танҳо ин таҳқиқот дастгирӣ намекунад

• Ба таври таҷрибавӣ нишон дода нашудааст, ки усул дар мадорҳои LEO, MEO ё HEO ҳамон иҷроишро медиҳад.
• Муваффақияти амалии real-time on-orbit дар компютери воқеии моҳвора исбот нашудааст.
• Тамғаҳои ground-truth-и IRNSS-1A аз таърихи мустақили расмии манёвр не, балки аз тартиби дастии таҳқиқот гирифта шудаанд.
• Усул ҳама намудҳои имконпазири аномалияи мадориро ҳамчун синфҳои алоҳида ташхис намекунад; маркази таҷрибаҳо асосан ҳодисаҳои манёвр мебошанд.
• Холи ошкорсозии аномалия механизми ташхисие нест, ки сабаби физикии ҳодисаро худкор муайян кунад.

Номувофиқиҳои миқдорӣ ва истилоҳӣ дар манбаъ

Қисми муқаддимавии манбаъ мегӯяд, ки Peak-AAE аз тақрибан 48 ҳазор параметр ба 9,3 ҳазор параметр кам карда шуда, андозаи модел аз 201 KB ба 52 KB поён рафтааст. Аммо ҷадвали муфассали edge-deployment, Table 9, барои Peak-AAE 28.564 ва барои Peak-AAE-Lite 9.308 параметри умумӣ гузориш медиҳад. Ибораи “талафи максималии дақиқӣ %2,85” дар ҳамон муқаддима низ бо баъзе тағйироти 3–6 банди фоизӣ дар метрикаҳои Table 11–12 мустақим мувофиқат намекунад. Аз ин рӯ дар ин матни Verianla барои муқоисаҳои муфассал натиҷаҳои ҷадвалшуда асос гирифта шуда, қиматҳои фарқкунандаи муқаддима ҳамчун номувофиқии дохилии манбаъ нигоҳ дошта шудаанд.

Ҳамчунин дар қисми натиҷаҳо ба ядрои усул бо ибораи “SGP4 residual reconstruction” ишора мешавад. Аммо дар қисми асосии усули пешниҳодшуда ниммеҳвари калон аз ҳаракати миёнаи TLE бо муносибати Кеплер ҳисоб шуда, residual аз фарқи силсилаи аслӣ ва реконструксияи Peak-AAE сохта мешавад. SGP4/SDP4 дар муқаддима ҳамчун яке аз усулҳои адабиёти мавҷуда тавсиф шудааст. Бинобар ин SGP4 дар ин ҷо ҳамчун қадами тасдиқшудаи коркарди усули пешниҳодшуда васеъ карда нашудааст.

Ёддошти манбаъ ва усул

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

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

Муаллифи масъул: Xiaolong Yue.

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

Маҷалла: Aerospace.

Ношир: MDPI.

Ҷилд / шумора / мақола: 13 / 9 / 802.

Санаи нашр: 2 сентябри 2026.

DOI: 10.3390/aerospace13090802.

Навъи манбаъ: Мақолаи таҳқиқотии аз тақризи ҳамтоён гузашта.

Литсензия: Creative Commons Attribution (CC BY). PDF-и манбаъ ба таври равшан нишон медиҳад, ки литсензия CC BY аст. Баёни Verianla на ҳамчун бознависии ҷумлаҳои манбаъ, балки ҳамчун сохтори мустақили омӯзишӣ барои шарҳи усули илмӣ, рақамҳо, муодилаҳо ва натиҷаҳо омода шудааст.

Дастрасии додаҳо: Муаллифон мегӯянд, ки додаҳои моҳвораи истифодашуда аз Space-Track гирифта шудаанд.

Маблағгузорӣ: Таҳқиқот аз ҷониби лоиҳаи рақами 2026CXPT113 дар доираи Shandong Province Key Research and Development Program дастгирӣ шудааст.

Бархӯрди манфиатҳо: Муаллифон набудани бархӯрди манфиатҳоро эълом кардаанд.

Саҳми муаллифон: Тибқи изҳороти манбаъ, кори таҷрибавӣ аз ҷониби Y.G. иҷро шудааст, мақола аз ҷониби X.Y. навишта шудааст, B.W. ва B.L. барои бознигарӣ фикр додаанд ва ҳамаи муаллифон матни ниҳоиро санҷидаанд.

Маҳдудиятҳои асосии методологӣ: Санҷиш бо ду моҳвораи GEO маҳдуд аст. Аномалияҳои IRNSS-1A ба ҷойи сабти мустақили таърихии манёвр бо усули дастӣ тамғагузорӣ шудаанд. Сабтҳои гумшудаи TLE мавҷуданд. Санҷиши дастгоҳи edge симулятсияи заминӣ дар Raspberry Pi мебошад; on-orbit deployment нест. Интиқолпазирӣ ба LEO, MEO ва HEO аз ҷониби муаллифон ҳамчун имкони назариявӣ баррасӣ шудааст, аммо дар ин синфҳои мадорӣ таҷрибавӣ тасдиқ нашудааст.