Peak Adversarial Autoencoder (Peak-AAE) — sun’iy yo‘ldosh orbitasi vaqt qatorlaridagi normal tuzilmani qayta tiklash va normal xatti-harakatdan og‘ishlarni rekonstruksiya qoldiqlari orqali aniqlashga mo‘ljallangan, cho‘qqi ehtimolini ishlab chiqaruvchi maxsus modul bilan kengaytirilgan nazoratsiz adversarial autoencoder arxitekturasidir. Tadqiqotda Space-Track manbasidagi Two-Line Element (TLE) yozuvlaridan hisoblangan yarim katta o‘q qiymatlari Peak-AAE yordamida rekonstruksiya qilingan, asl va qayta tiklangan qator o‘rtasidagi kvadratik farq anomaliya balli sifatida ishlatilgan va anomaliyalar Automatic Multi-Scale Peak Detection (AMPD) algoritmi bilan aniqlangan. BEIDOU-3 G2 da usul o‘rtacha %94,57 precision, %94,29 recall va %94,33 F1; IRNSS-1A da esa %90,00 precision, %84,74 recall va %87,28 F1 ko‘rsatgan. Modelning siqilgan Peak-AAE-Lite versiyasi Raspberry Pi 4 Model B da yer usti edge-deployment tajribasidan o‘tkazilgan va o‘rtacha inference kechikishi 0,13 ms dan 0,08 ms gacha kamaytirilgan. Biroq natijalar faqat o‘rganilgan ikki GEO sun’iy yo‘ldoshi va yer simulyatsiyasi sharoitlari uchun tasdiqlangan; haqiqiy parvoz kompyuterida on-orbit tekshiruv o‘tkazilmagan.

Tadqiqotning asosiy muammosi ikki yo‘nalishlidir. An’anaviy sun’iy yo‘ldosh orbita anomaliyasini aniqlash usullari ko‘pincha yarim katta o‘q o‘zgarishi, hosila, orbita modeli bilan kuzatuv o‘rtasidagi farq yoki qo‘lda ishlab chiqilgan boshqa xususiyatlarga tayanadi va anomaliya qarori uchun oynaning uzunligini yoki threshold qiymatini qo‘lda sozlashni talab qilishi mumkin. Boshqa tomondan, standart rekonstruksiyaga asoslangan chuqur o‘rganish modellari qisqa muddatli orbita manevrining boshlanish va tugash tomonlarida paydo bo‘ladigan cho‘qqi-vodiy juftligining qaysi tomoni asl anomaliya nuqtasi ekanini har doim ham ishonchli ajrata olmaydi. Peak-AAE ning cho‘qqi ehtimoli moduli aynan shu ikkinchi muammoga, takomillashtirilgan AMPD esa threshold tanlash va ma’lumotlar qatori chetlaridagi cho‘qqilar yo‘qolishi muammosiga qaratilgan.

Orbita anomaliyasi nega yarim katta o‘q orqali kuzatiladi?

Tadqiqot orbita anomaliyalarini umumiy holda boshqariladigan manevrlar, to‘qnashuv yoki yoqilg‘i sizishi kabi inson aralashuvidan tashqari maxsus hodisalar va ekstremal kosmik muhit ta’siri kabi uch keng sinfga ajratadi. Biroq eksperimental ma’lumotlar nuqtayi nazaridan eng muntazam tarixiy yozuvlar boshqariladigan orbita manevrlarida mavjud bo‘lganligi sababli ish asosan manevrlarni aniqlashga qaratilgan.

Kosmik apparatning orbita parametrlari normal ishlash paytida nisbatan kichik o‘zgarishlarni ko‘rsatsa, manevr vaqtida ular ancha sezilarli o‘zgarishi mumkin. Manbaga ko‘ra, bir xil orbita tekisligi ichidagi o‘zgarishlarda yarim katta o‘q ayniqsa sezgir parametrdir. Tadqiqot kirishining yarim katta o‘qqa qaratilishining sababi shu.

TLE ma’lumotidan yarim katta o‘q qanday olinadi?

TLE sun’iy yo‘ldoshning og‘ish burchagi, ko‘tariluvchi tugunning to‘g‘ri chiqishi, eksentrisitet, perigey argumenti, o‘rtacha anomaliya va o‘rtacha harakat kabi orbita elementlarini ikki qatorli standart yozuv ko‘rinishida beradi. Yarim katta o‘q TLE maydonlaridan bevosita biri emas; tadqiqot uni o‘rtacha harakatdan hisoblaydi.

Agar sun’iy yo‘ldoshning bir kunda amalga oshiradigan aylanishlar soni \(n\) bo‘lsa, kun/aylanish birligidagi orbita davri:

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

Soniya/aylanish birligiga o‘tkazish:

\[ T_2=T_1\times86400 \]

Keplerning uchinchi qonuni tadqiqotda quyidagicha ishlatilgan:

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

Shunday qilib yarim katta o‘q:

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

ko‘rinishida hisoblanadi. Bu yerda \(a\) yarim katta o‘qni, \(T_2\) soniyalardagi orbita davrini, \(G\) gravitatsion doimiyni va \(M\) Yer massasini anglatadi. Manba Yer uchun \(GM=398600.4418\ \mathrm{km^3/s^2}\) qiymatidan foydalanadi. Tenglamada orbita davri ortganda, boshqa shartlar o‘zgarmasa, yarim katta o‘q ham ortishi kerak; munosabat chiziqli emas, \(a\propto T^{2/3}\) ko‘rinishidadir.

Vaqt qatorini tayyorlash

Tarixiy yarim katta o‘q qatori uzunligi \(m\) bo‘lgan va qadami 1 qilib tanlangan sirg‘aluvchi oynalarga bo‘linadi. Asl ma’lumot uzunligi \(L\) bo‘lsa, model kirishi taxminan \([L-m+1,m]\) o‘lchamli ikki o‘lchovli tuzilma hosil qiladi. So‘ng Z-score normallashtirish qo‘llanadi:

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

Bu yerda \(X\) asl qiymat, \(\mu\) o‘rtacha qiymat va \(\sigma\) standart og‘ishdir. Ushbu o‘zgartirish orbita o‘zgarishining masshtabini normallashtirib, neyron tarmoqning turli kattaliklarni yanada barqaror qayta ishlashiga yordam beradi; bu fizik yarim katta o‘q qiymatining o‘zini o‘zgartiradigan yangi o‘lchov emas.

Peak-AAE nima va nega kerak?

Peak-AAE standart Adversarial Autoencoder tuzilmasiga har bir vaqt nuqtasi uchun cho‘qqi ehtimolini ishlab chiqaruvchi modul qo‘shilgan nazoratsiz rekonstruksiya modelidir; maqsad orbita manevrining boshlanish va tugash tomonlari standart rekonstruksiya modellarida bir-biri bilan chalkashib ketishini kamaytirish va haqiqiy anomaliya joylashuvi yanada yaqqol rekonstruksiya qoldig‘ini hosil qilishini ta’minlashdir.

Adversarial Autoencoder yadrosi

Standart Adversarial Autoencoder uch asosiy komponentdan foydalanadi: encoder \(E\), decoder \(G\) va discriminator \(D\). Encoder kirish qatorini yashirin fazoga o‘tkazadi, decoder yashirin ifodadan kirish qatorini qayta tiklashga harakat qiladi, discriminator esa encoder hosil qilgan yashirin taqsimotni oldindan belgilangan prior taqsimot bilan solishtiradi. Tadqiqotda prior taqsimot normal taqsimotdir.

Agregatlangan yashirin taqsimot:

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

munosabati bilan ifodalanadi. Bu yerda \(q(z|x)\) kirish \(x\) ning yashirin fazo \(z\) ga xaritalanishini, \(p_d(x)\) esa kirish ma’lumotlarining taqsimotini bildiradi.

Cho‘qqi ehtimolini yaratish moduli

Peak-AAE ning farqlovchi komponenti uch qismdan iborat: ko‘p masshtabli xususiyat ajratish, xususiyatlarni birlashtirish va cho‘qqi ehtimolini yaratish. Birinchi bosqichda kernel o‘lchamlari 3, 5 va 7 bo‘lgan uchta bir o‘lchovli convolution qatlami ishlatiladi. Shu tariqa qisqa va nisbatan kengroq mahalliy naqshlarni bir vaqtning o‘zida ko‘rish mumkin. Keyingi ikki kernel-3 convolution qatlami bu xususiyatlarni birlashtiradi. Yakuniy bosqichdagi Sigmoid chiqishi har bir ma’lumot nuqtasi uchun 0–1 oralig‘ida cho‘qqi ehtimolini yaratadi.

Bir o‘lchovli convolution amali manbada:

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

ko‘rinishida ta’riflangan. \(k\) kernel o‘lchami, \(s\) stride, \(p\) padding, \(w\) convolution og‘irliklari va \(b\) bias qiymatidir.

Cho‘qqi ehtimoli nega nazoratsiz o‘rganilishi mumkin?

Modulni o‘qitishda to‘g‘ridan-to‘g‘ri yorliqlangan “cho‘qqi / cho‘qqi emas” nishoni o‘rniga uchta loss komponentidan foydalaniladi.

Siyraklik yo‘qotishi:

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

Cho‘qqi nuqtalari butun qator ichida kam bo‘lishi kutilgani sababli o‘rtacha cho‘qqi ehtimolining keraksiz ravishda ko‘tarilishi jazolanadi.

Silliqlik yo‘qotishi:

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

Qo‘shni nuqtalar ehtimollari o‘rtasida haddan tashqari va tartibsiz sakrashlar yuzaga kelishini cheklaydi.

Kontrast yo‘qotishi:

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

Min–max o‘zgartirish:

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

ko‘rinishidadir. Bu had kattaroq amplitudaga ega nuqtalar bilan yuqoriroq cho‘qqi ehtimoli o‘rtasida bog‘lanish hosil qilishga xizmat qiladi. Manba bu tuzilma klassik attention mexanizmi emasligini alohida ta’kidlaydi: attention xususiyat ifodasining og‘irliklarini o‘zgartirsa, bu yerda har bir pozitsiya uchun cho‘qqi ehtimoli ishlab chiqarilib, loss hisobida pozitsion farqlash amalga oshiriladi.

Discriminatorni o‘qitish

Discriminator o‘qitilganda autoencoder og‘irliklari muzlatiladi. Encoder ishlab chiqargan yashirin vektorlar va normal taqsimotdan namunalanadigan vektorlar discriminatorga beriladi. Binary cross-entropy asosidagi loss:

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

ko‘rinishidadir. Discriminator vazifasi prior taqsimotdan kelgan namunalarni encoder manbali namunalardan ajratishdir.

Peak-AAE da autoencoder yo‘qotishini o‘zgartirish

Encoder va decoder o‘qitilganda asosiy rekonstruksiya xatosiga cho‘qqi ehtimoli past deb topilgan nuqtalar uchun qo‘shimcha “non-peak” rekonstruksiya yo‘qotishi qo‘shiladi:

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

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

Umumiy rekonstruksiya yo‘qotishi:

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

Adversarial loss:

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

va yakuniy autoencoder yo‘qotishi:

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

deb aniqlanadi. Bu yerda 5 koeffitsiyenti non-peak loss ning, 0,5 koeffitsiyenti esa adversarial loss ning nisbiy og‘irligidir. Bular tadqiqotning o‘qitish dizayniga oid giperparametrlardir; “thresholdsiz” degani modelda umuman giperparametr yo‘qligini anglatmaydi. Mualliflar thresholdsiz deb atagan qism — yakuniy anomaliya qarorida qo‘lda tanlangan doimiy threshold o‘rniga AMPD ishlatilishidir.

O‘qitish sozlamalari

AMPD algoritmi bu tadqiqotda qanday ishlatiladi?

AMPD Peak-AAE ishlab chiqargan rekonstruksiya qoldig‘i qatoridagi mahalliy cho‘qqilarni bir nechta masshtabda qidirib anomaliya nomzodlarini aniqlaydigan va shu sababli doimiy anomaliya thresholdini qo‘lda tanlash ehtiyojini kamaytiradigan cho‘qqi aniqlash algoritmidir; tadqiqot qator boshida va oxirida anomaliyalar yo‘qolishini kamaytirish uchun AMPD ning chegara ishlov berish mexanizmini ham o‘zgartirgan.

Asl AMPD dagi chegara muammosi

AMPD avval Local Maximum Scale (LMS) xaritasini tuzadi, har bir masshtab uchun yig‘indini hisoblaydi va eng kichik yig‘indiga mos kelgan masshtabni optimal masshtab \(\lambda\) sifatida tanlaydi. Mahalliy maksimumni baholash asosan nuqtani ma’lum masofadagi ikki qo‘shnisi bilan solishtirishga asoslanadi. Biroq \(k\) qiymati qator chetidagi pozitsiyaga yaqinlashganda indeksdan chiqib ketish yuz berishi mumkin.

Faqat qidiruv oralig‘ini \([k,N-k]\) bilan cheklash dasturlash xatosining oldini oladi, lekin bunda qatorning boshi va oxiridagi haqiqiy anomaliyalar ko‘zdan qochishi mumkin. Tadqiqot yechimi ikki bosqichdan iborat:

1. Optimal masshtab qidirilganda indeks oralig‘i xavfsiz chegaralar bilan cheklanadi.
2. Haqiqiy cho‘qqi aniqlashda qatorning ikki chetiga optimal masshtab uzunligicha ko‘zguli qiymatlar bilan padding qo‘shiladi.

Bu o‘zgarishning ta’siri BEIDOU-3 G2 da ko‘rsatilgan. Asl AMPD so‘nggi nuqtadagi 355-kun anomaliyasini o‘tkazib yuborgan, chekka padding ishlatgan versiya esa ushbu anomaliyani aniqlay olgan. Biroq mualliflar birinchi yoki oxirgi nuqtaning o‘zi chegara maksimumi bo‘lsa, padding sababli soxta cho‘qqi paydo bo‘lishi mumkinligini ham ta’kidlaydi.

Tadqiqotning umumiy ish jarayoni

1. Space-Track dan maqsadli sun’iy yo‘ldoshning tarixiy TLE yozuvlarini ol.
2. TLE o‘rtacha harakatidan yarim katta o‘q vaqt qatorini hisobla.
3. Sirg‘aluvchi oyna bilan qatorni namunalarga ajrat va normallashtir.
4. Cho‘qqi ehtimoli modulini nazoratsiz tarzda o‘qit.
5. Autoencoder muzlatilgan holda discriminatorni o‘qit.
6. Discriminator muzlatilgan holda encoder-decoder tuzilmasini maxsus Peak-AAE loss funksiyasi bilan o‘qit.
7. Kirish qatorini Peak-AAE bilan rekonstruksiya qil.
8. Asl va rekonstruksiya qilingan qiymatlar kvadratik farqini residual/anomaly-score qatori sifatida hisobla.
9. Takomillashtirilgan AMPD bilan residual cho‘qqilarini aniqlagin.
10. Ushbu cho‘qqilarni orbita manevri/anomaliya nomzodlari sifatida bahola.

Tadqiqot metodologiyasi va natijalari

Eksperimental ma’lumotlar

Sinovdan o‘tkazilgan ikki maqsad BEIDOU-3 G2 va IRNSS-1A navigatsiya sun’iy yo‘ldoshlari bo‘lib, ikkalasi ham geostationary Earth orbit (GEO) sinfiga kiradi. Mualliflar GEO sun’iy yo‘ldoshlaridagi tez-tez orbita tuzatishlari tarixiy manevr ma’lumotlarini boyitishini va shuning uchun usulni baholash uchun mos ekanini bildiradi.

BEIDOU-3 G2 uchun 1 yanvar 2022–31 dekabr 2022 davridagi TLE yozuvlari ishlatilgan. 130, 168, 169, 200, 227 va 229-kunlarda TLE yetishmagani sababli bu kunlar vaqt chizig‘idan chiqarilgan. Referens manevr yozuvidagi 198-kun hodisasi yarim katta o‘qdagi haqiqiy o‘zgarish 196-kunda ko‘ringani uchun mualliflar tomonidan 196-kunga ko‘chirilgan. Ushbu ma’lumotlar to‘plamida 14 manevr nuqtasi baholangan.

IRNSS-1A uchun 2018–2021 davri ishlatilgan. Bu ma’lumotlar to‘plamida yetishmaydigan TLE yozuvlari ko‘proq va mustaqil manevr tarixi referensi mavjud emasligi sababli anomaliyalar tadqiqotchilar tomonidan qo‘lda aniqlangan. Ketma-ket kunlardagi yarim katta o‘q farqi hisoblangan, 2δ prinsipi bilan nomzodlar saralangan va nomzod nuqtalar yarim katta o‘q grafigidagi cho‘qqi/vodiy xatti-harakatiga ko‘ra tasdiqlangan. Manba jami 38 manevr nuqtasini sanab o‘tadi. Ushbu qo‘lda yorliqlash protsedurasi IRNSS-1A natijalarini talqin qilishda hisobga olinishi kerak bo‘lgan muhim metodologik cheklovdir.

Mualliflar tartibsiz TLE yangilanish chastotasi ketma-ket namunalar farqini sun’iy ravishda o‘zgartirib yubormasligi uchun har kuni faqat bitta TLE yozuvidan foydalanishni tanlagan. Bu tanlov vaqt bo‘yicha namuna oraliqlarini o‘zaro o‘xshashroq qilishga qaratilgan.

Baholash metrikalari

Anomaliya sinfi musbat deb qabul qilingan. Precision:

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

model anomaliya deb aytgan nuqtalarning qanchasi haqiqatan anomaliya ekanini o‘lchaydi.

Recall:

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

haqiqiy anomalilarning qanchasi aniqlanganini ko‘rsatadi.

F1-score:

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

precision va recall orasidagi garmonik o‘rtacha qiymatdir.

Taqqoslama tajribalar

Peak-AAE an’anaviy Moving-Window Curve Fitting (MWCF), Semi-Major Axis Change Method (SACM) va chuqur o‘rganishga asoslangan VAE, USAD hamda Anomaly-Transformer bilan taqqoslangan. VAE, USAD, Anomaly-Transformer va taklif etilgan usul beshta mustaqil takror bilan ishga tushirilib, o‘rtacha ± standart og‘ish keltirilgan.

BEIDOU-3 G2 da SACM barcha haqiqiy manevrlarni aniqlab %100 recall olgan, biroq ko‘proq false positive sababli precision %73,68 da qolgan. Shuning uchun faqat “o‘tkazib yubormaslik” nuqtayi nazaridan SACM kuchli; precision–recall muvozanati bo‘yicha Peak-AAE ning F1 qiymati yuqoriroq.

IRNSS-1A da SACM ning F1 qiymati %90,00 bo‘lib, Peak-AAE ning %87,28 qiymatidan yuqori. Biroq Peak-AAE precision bo‘yicha %90,00 bilan SACM ning %85,71 qiymatidan ustun. Demak, natijalarni “taklif etilgan usul har bir metrikada har bir taqqoslashdan yaxshiroq” deb umumlashtirish mumkin emas. Manbaning asosiy afzalligi, ayniqsa qo‘lda xususiyat muhandisligini kamaytirgan holda rekonstruksiyaga asoslangan VAE, USAD va Anomaly-Transformer ga qaraganda anomaliya joylashuvini ancha muvaffaqiyatli aniqlashidir.

Xatolar qayerda yuzaga keldi?

BEIDOU-3 G2 da Peak-AAE ning namunaviy tajribalaridan birida 265-kun manevri o‘tkazib yuborilgan. Mualliflar buni manevr kattaligining nisbatan kichikligi bilan izohlaydi.

IRNSS-1A da namunaviy natijada bitta false positive va to‘rtta o‘tkazib yuborish qayd etilgan. False positive 419-kunda; o‘tkazib yuborilgan hodisalar 44, 418, 661 va 780-kunlarda. Manbaning residual tahliliga ko‘ra 44 va 780-kunlarda model residual signali anomaliyani o‘z ichiga olgan bo‘lsa-da, AMPD cho‘qqilarni ajrata olmagan. 418 va 661-kunlardagi o‘tkazib yuborishlar hamda 419-kundagi false positive esa bevosita Peak-AAE rekonstruksiyasi bilan bog‘langan.

Nega standart rekonstruksiya modellari qiynaladi?

Tadqiqotning asosiy kuzatuvi shuki, orbita manevri ko‘pincha qisqa vaqt ichida tez cho‘qqi va undan keyin vodiy yoki aksincha ko‘rinishda namoyon bo‘ladi. VAE va USAD natijalarida ko‘plab false positive va o‘tkazib yuborilgan anomaliya bir vaqt qadami surilgan tarzda bir-biriga mos keladi. Mualliflar buni model anomaliya boshlanishi va tugashini ishonchli ajrata olmasligi sifatida talqin qiladi. Peak-AAE ning cho‘qqi ehtimoli moduli aynan shu ajratishni yaxshilash uchun yaratilgan.

Ablatsiya tadqiqoti nimani ko‘rsatadi?

Bu yerda yulduzcha bilan belgilangan AMPD* tadqiqotda taklif qilingan o‘zgartirilgan AMPD versiyasidir. AAE dan Peak-AAE ga o‘tish har ikki ma’lumot to‘plamida samaradorlikni keskin oshirgan, faqat AMPD o‘zgarishining ta’siri esa nisbatan cheklangan. Shu sababli manba anomaliya aniqlash samaradorligida asosiy belgilovchi residual signalni hosil qiluvchi rekonstruksiya modelining sifati ekanini ta’kidlaydi.

Statistik noaniqlik

Chuqur o‘rganish tajribalari beshta mustaqil takror bilan o‘tkazilgan va qo‘shimchalarda \(n=5\), erkinlik darajasi 4 bo‘lgan t-taqsimotdan %95 ishonch intervallari hisoblangan. Masalan, taklif etilgan usul uchun BEIDOU-3 G2 F1 ishonch oralig‘i %90,58–%98,09; IRNSS-1A uchun %83,11–%91,44 deb berilgan. Bu intervallar faqat beshta takror asosida hisoblangani uchun, ayniqsa o‘zgaruvchanligi yuqori modellarda ancha keng bo‘lishi mumkin.

Peak-AAE-Lite edge deployment nimani beradi?

Peak-AAE-Lite Peak-AAE ning asosiy anomaliya aniqlash mexanizmini saqlab, tarmoq qatlamlaridagi parametrlar sonini kamaytiradigan versiyadir; Raspberry Pi 4B yer sinovlarida umumiy parametrlar sonini 28.564 dan 9.308 gacha tushirgan, o‘rtacha inference latency ni 0,13 ms dan 0,08 ms gacha kamaytirgan va throughput ni soniyasiga 10.793,93 inference dan 13.688,56 inference gacha oshirgan.

Edge tizim arxitekturasi

Yer simulyatsiyasida tizim uch qismga bo‘lingan:

• Ma’lumot terminali: siqilgan Peak-AAE modelini o‘qitadi, TensorFlow Lite formatiga o‘giradi, Raspberry Pi ga joylashtiradi va CSV orbital ma’lumotlarini MQTT orqali e’lon qiladi.
• Edge node: MQTT orqali kelgan orbital qatorni qayta ishlaydi, Peak-AAE-Lite inference ni ishga tushiradi, asl va rekonstruksiya qilingan ma’lumot orasidagi kvadratik farqdan anomaly score hisoblaydi, AMPD ni qo‘llaydi va natijani MQTT/HTTP orqali uzatadi.
• Mobil terminal: uchinchi tomon serveridan kelgan anomaliya vaqt tamg‘asi, sun’iy yo‘ldosh identifikatori va ball kabi ma’lumotlarni foydalanuvchiga ko‘rsatadi va log yozuvini yaratadi.

Manba shuningdek monitoring interfeysi Node-RED yordamida yaratilgani; tarixiy anomaly score, joriy anomaly score va normal/anormal holat ma’lumoti interfeysda ko‘rsatilishini bildiradi.

Modelni siqish natijalari

Parametrlar soni taxminan %67,4 ga kamaygan bo‘lsa-da, peak memory ishlatilishi atigi 415,05 MB dan 412,97 MB gacha tushgani e’tiborga loyiq. Manba buni TensorFlow Lite runtime, delegate tuzilmalari va input/output tensor allocation xarajatlari umumiy xotirada katta ulush egallashi bilan izohlaydi. Shu bois parameter compression bilan jarayon xotirasi ayni nisbatda kamayishi kutilmaydi.

Ushbu benchmarkda inference testi 200 takror, throughput testi 10 soniya va xotira testi 50 inference asosida bajarilgan. Model kirish oynasi o‘lchami 24 qilib tanlangan; mualliflar buni broadcast ephemeris ma’lumotining taxminan soatlik yangilanishi va bir kunlik 24 ma’lumot nuqtasiga moslash maqsadi bilan tushuntiradi.

Siqishdan keyingi aniqlash samaradorligi

BEIDOU-3 G2 da recall %94,29 bo‘lib saqlangan, precision 6,25 foiz punktga va F1 3,21 foiz punktga pasaygan. IRNSS-1A da precision 4,68, recall 5,27 va F1 4,99 foiz punktga kamaygan. Demak, modelni kichraytirish kechikish va throughput jihatidan afzallik bersa-da, aniqlash aniqligi to‘liq saqlanmaydi.

Bu tadqiqot haqiqiy parvozda tasdiqlangan sun’iy yo‘ldosh tizimimi?

Yo‘q. Tadqiqotda algoritm haqiqiy tarixiy TLE ma’lumotlari bilan baholangan bo‘lsa ham, Peak-AAE-Lite edge deployment tekshiruvi Raspberry Pi 4B da bajarilgan yer simulyatsiyasidir; model haqiqiy sun’iy yo‘ldosh parvoz kompyuterida, radiatsiya muhitida yoki operatsion on-orbit qaror siklida sinovdan o‘tkazilmagan.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

• Cho‘qqi ehtimoli moduli ishlatilgan AAE o‘rganilgan ikki GEO ma’lumotlar to‘plamida asl AAE ga qaraganda yuqoriroq aniqlash metrikalarini ko‘rsatgan.
• Takomillashtirilgan AMPD ma’lumotlar qatori chetidagi ayrim anomaliyalarni o‘tkazib yuborishni kamaytirgan.
• Peak-AAE, ayniqsa VAE, USAD va Anomaly-Transformer rekonstruksiya natijalariga nisbatan o‘rganilgan vazifada ancha yuqori samaradorlik ko‘rsatgan.
• Modelni kichraytirish Raspberry Pi sinovida inference latency va throughput ni yaxshilagan.
• Siqilgan model samaradorlik yo‘qotishiga qaramay o‘rganilgan ikki ma’lumotlar to‘plamida foydalanishga yaroqli F1 qiymatlarini saqlagan.

Tadqiqotning o‘zi qo‘llab-quvvatlamaydigan xulosalar

• Usul LEO, MEO yoki HEO orbitalarida ayni samaradorlikni berishi eksperimental ravishda ko‘rsatilmagan.
• Haqiqiy sun’iy yo‘ldosh kompyuterida on-orbit real-time operatsion muvaffaqiyat isbotlanmagan.
• IRNSS-1A ground-truth yorliqlari mustaqil rasmiy manevr tarixidan emas, tadqiqotdagi qo‘lda bajarilgan protseduradan olingan.
• Usul barcha mumkin bo‘lgan orbita anomaliyasi turlarini alohida sinflar sifatida tashxislamaydi; tajribalar asosan manevr hodisalariga qaratilgan.
• Anomaliya aniqlash balli hodisaning fizik sababini o‘z-o‘zidan aniqlaydigan tashxis mexanizmi emas.

Manba ichidagi miqdoriy va terminologik nomuvofiqliklar

Manbaning kirish qismida Peak-AAE taxminan 48 ming parametrdan 9,3 ming parametrgacha qisqartirilgani va model hajmi 201 KB dan 52 KB gacha kamaygani aytiladi. Biroq batafsil edge-deployment Jadval 9 Peak-AAE uchun 28.564, Peak-AAE-Lite uchun 9.308 jami parametrni bildiradi. Xuddi shu kirish paragrafidagi “maksimal aniqlik yo‘qotishi %2,85” iborasi ham Jadval 11–12 da ko‘rinadigan ayrim 3–6 foiz punktlik metrika o‘zgarishlariga bevosita mos kelmaydi. Shu sababli ushbu Verianla matnida batafsil taqqoslashlar uchun jadvaldagi natijalar asos qilib olingan, kirishdagi farqli qiymatlar manba ichidagi nomuvofiqlik sifatida saqlangan.

Bundan tashqari, natijalar bo‘limida usul yadrosiga “SGP4 residual reconstruction” iborasi bilan murojaat qilinadi. Ammo taklif etilgan asosiy usul bo‘limida yarim katta o‘q TLE o‘rtacha harakatidan Kepler munosabati bilan hisoblanadi, residual esa Peak-AAE ning asl qator va rekonstruksiya qilingan qator o‘rtasidagi farqidan hosil qilinadi. SGP4/SDP4 kirishda mavjud adabiyot ishlatgan usullardan biri sifatida tasvirlangan. Shu bois SGP4 iborasi bu yerda taklif etilgan usulning tasdiqlangan ish bosqichi sifatida kengaytirilmagan.

Manba va metod haqida qayd

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

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

Mas’ul muallif: Xiaolong Yue.

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

Jurnal: Aerospace.

Nashriyot: MDPI.

Jild / son / maqola: 13 / 9 / 802.

Nashr sanasi: 2 sentyabr 2026.

DOI: 10.3390/aerospace13090802.

Manba turi: Taqrizdan o‘tgan ilmiy tadqiqot maqolasi.

Litsenziya: Creative Commons Attribution (CC BY). Manba PDF litsenziya CC BY ekanini aniq ko‘rsatadi. Verianla bayoni manba jumlalarini qayta yozish shaklida emas, balki ilmiy usul, sonlar, tenglamalar va natijalarni mustaqil ta’limiy tuzilma asosida tushuntirish shaklida tayyorlangan.

Ma’lumotlar mavjudligi: Mualliflar ishlatilgan sun’iy yo‘ldosh ma’lumotlari Space-Track manbasidan olinganini bildiradi.

Moliyalashtirish: Tadqiqot Shandong Province Key Research and Development Program doirasidagi 2026CXPT113 raqamli loyiha tomonidan qo‘llab-quvvatlangan.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvi yo‘qligini ma’lum qilgan.

Muallif hissalari: Manba bayoniga ko‘ra eksperimental ish Y.G. tomonidan bajarilgan, maqola X.Y. tomonidan yozilgan, B.W. va B.L. tahrir uchun fikr bildirgan va barcha mualliflar yakuniy matnni ko‘rib chiqqan.

Asosiy metodologik cheklovlar: Tekshiruv ikki GEO sun’iy yo‘ldoshi bilan cheklangan. IRNSS-1A anomalilari mustaqil tarixiy manevr yozuvi o‘rniga qo‘lda usul bilan yorliqlangan. Yetishmaydigan TLE yozuvlari mavjud. Edge qurilma tekshiruvi Raspberry Pi dagi yer simulyatsiyasi bo‘lib, on-orbit deployment emas. LEO, MEO va HEO ga ko‘chirilish imkoniyati mualliflar tomonidan nazariy ehtimol sifatida muhokama qilingan, ammo bu orbita sinflarida eksperimental tasdiqlanmagan.